时序数据库

TDengine （老段）

TDengine IDMP 十大亮点功能（一）一句话：IDMP 不用你写提示词、写 SQL、手工配图表，系统在后台自动读懂你的资产和时序数据，提前把「该看的面板」「该配的实时分析」「该算的指标」推到面前。

QuantLib 之外，衍生品定价还能怎么选？DolphinDB Monte Carlo + PDE 工具实测算一个标准欧式期权不难，难的是“不标准”的产品：亚式要盯观察日和历史定盘（Fixing），障碍要判断价格有没有触碰，随机波动率、多资产还会再加状态变量。

从数据到预测只差四步：时序大模型 TimechoAI 上手实录时序数据库解决了"存得下、查得快"，但企业真正想要的是"猜得准"——明天这条产线的良品率是多少、这台风机下周会不会过热、明晚的用电负荷要调度多少。这类问题传统做法要经历数据清洗、特征工程、选模型、调参、评估的完整流程，周期以周计，而且一个场景一套模型，换个产线就得重来。

涛思数据（TDengine）

直播预告 | 知识图谱，让文档自动变成知识网络工业数据管理走到最后，会撞上一个更根本的问题：沉淀下来的知识，机器读得懂吗？现实情况是，操作规程在档案柜里、故障复盘在工程师的电脑里、报警处理逻辑在代码的 if-else 里。就算把它们全部收进知识库，模型能检索到的也只是"某份文档里提到过"——一段文字，不是一条能往下走的逻辑链。

骑着蜗牛撵大象327

一套引擎撑起树表双模型：Apache IoTDB 2.0 与 TsFile 的选型答卷在工业现场做时序数据库选型，最容易卡在两头：存量采集代码是按「设备树」组织的，新接进来的数仓与报表同事却只想写标准 SQL 按表查，两边都不愿改，最后常常退化成同时维护两套库。

光伏监控平台实测，三款时序数据库在 50 万测点下的真实表现去年 7 月份，我们接手了一个位于宁夏的 100MW 集中式电站。中午 12 点，发电功率达到峰值，每 5 秒一次的数据推送到后端的 InfluxDB 竟然出现了 10 秒以上的写入延迟。运维群里的报警信息炸了锅，前端看板上的功率曲线断断续续，活像心律不齐的心电图。

底层玩家老张

45:1压缩、19.1倍查询：1956亿行时序数据复盘各位，我是老张。今天从一次实战出发，往下拆一层。时序数据这东西，前几年大家关注写入速度。百万点每秒、千万点每秒，数字越喊越大。但真到了生产环境，问题往往不在写入。在存储成本，在历史数据加载，在查询效率。今天把这三笔账拆开算。

涛思数据（TDengine）

陶建辉获聘中国通信标准化协会本体工程专家委员会首批委员近日，中国通信标准化协会大数据技术标准推进委员会（CCSA TC601）本体工程专家委员会、知识管理专家委员会首批委员名单正式发布，涛思数据创始人陶建辉获聘为本届专家委员会专家。该委员会于 2026 年 9 月 29 日在 CCSA TC601 第 19 次全体工作会议上组建，首批共 28 位专家，将围绕本体工程与知识管理方向开展技术研究、标准研制、产业应用推进与标准体系建设等工作。

云边有个稻草人

不止于时序存储：DolphinDB 如何成为 AI 时代的工业智能底座在工业物联网系统中，把传感器数据“存下来”已不是最难的问题。真正的挑战是：面对百万级测点和高频数据，系统能否同步完成聚合、异常识别与关联分析；出现故障时能否及时预警；引入大模型后，AI又能否读懂数据、遵守权限并安全调用工具。

涛思数据（TDengine）

TDengine TSDB 3.4.3.3 上线：流计算分层闭环、虚拟表跨层引用，查询关联一次写完在工业现场，时序数据库要做的早已不只是存数据。设备到工厂的逐层汇总、多级告警、跨系统的工单和质检闭环，往往要拆成多条流任务；设备模型一多，公共字段反复定义，底层一改上层全部跟着改；读数和台账、告警、历史水平放在一起看，又要写多段 SQL 再在应用层拼接。

时序数据库选型指南：面向工业物联网大数据场景，Apache IoTDB落地实践在工业物联网、电力监测、智能制造、设备运维这类典型大数据场景中，我们会持续采集海量设备传感器指标：温度、压力、振动、电流、转速等。这类数据具备鲜明特征：高频采集、测点数量巨大、时序强关联、写多读少、历史数据归档需求高，传统关系型数据库、通用分布式存储在承载这类时序大数据时，很容易出现写入吞吐瓶颈、磁盘占用爆炸、聚合查询缓慢、运维成本居高不下等一系列问题。

TDengine （老段）

工业数据十大痛点系列 · 第 6 篇工业数据十大痛点系列 · 第 6 篇这里说的"痛点"，是工业数据本身的问题 —— TDengine IDMP 是来解题的一方。

骑着蜗牛撵大象327

设备监控数据存与查：Spring Boot 接入 TimescaleDB 超表的完整落地设备端每天产生海量指标：一台电表每 10 秒上报一次电流电压，一万台设备一天就是 8640 万条记录，而运维看板往往还要回查三个月内的历史曲线。写入扛不住、查询跑不动、磁盘还越涨越快，是这类系统最常见的三个坑。

数据库小学妹

工业物联网时序数据库怎么选？存-查-算一体化选型指南大家好，我是数据库小学妹👋 我踩过的坑，你别再踩。工业物联网时序数据，是设备按时间持续上报的运行指标，写多读少、按时间聚合、设备基数高、过期可淘汰，承接它的就是时序数据库。

金仓时序数据库：以高效压缩、快速写入与时序优化，破解工业海量数据管理难题随着工业互联网、能源数字化、智能制造等业务加速发展，设备监测、电力采集、生产过程指标等时序数据规模持续攀升。对于长期运行的业务系统而言，时序数据库不仅要支撑实时写入与查询，更要解决海量历史数据长期存储、快速加载和高效管理的问题。面向工业场景中时序数据规模大、增长快、保存周期长的特点，金仓时序数据库围绕存储压缩、历史数据快速插入以及时序数据组织优化持续打磨能力，帮助企业以更低成本存储海量时序数据，以更高效率完成数据处理。

时序数据库是什么？2026 年五款工业时序数据库横评与场景解析写给正在选型的工业物联网从业者：时序数据库是什么，五款主流产品怎么比，四类现场怎么选，一篇讲完。一条产线上的高频振动传感器，采样率 50kHz，一天就是 43 亿个数据点。把几千个这样的测点接进通用数据库，通常撑不过一周：写入积压、查询超时、磁盘先爆。

Pocker_Spades_A

一文读懂时序数据库：2026 主流产品全景与六大场景选型(1)老牌时序数据库 InfluxDB 的第三代产品 InfluxDB 3（Core & Enterprise）于 2025 年 4 月正式 GA；2026 年持续推出 3.11、3.12 等后续迭代版本。——为了这一天，InfluxData 把内核推倒重写，从存储格式到查询语言全部换新。换代的不只它一家：Apache IoTDB 主线版本已进入 2.0，TDengine 在 3.3 之后持续迭代，DolphinDB 则在 3.00.6 版本里直接把 AI Agent 平台装进了数据库。

涛思数据（TDengine）

TDengine IDMP 2.0.2 发布：元素关系可视化、数据建模与联邦查询三大升级TDengine IDMP 2.0.2 正式发布。本次版本围绕工业本体、数据建模与外部数据引用三大方向完成重点升级，同时在实时分析、面板可视化、系统性能与国际化等方面进行了大量优化与修复。

金融数据接入又快一步：EasyTushare 模块正式上线做量化研究，最先遇到的问题往往不是策略，而是数据。行情从哪里获取？历史数据怎么批量导入？不同资产的数据如何统一存储？数据更新后，又如何保证数据库持续跟上？