IoTDB组件AI Node发布9个月，如何使用你了解了吗？

已于 2024-08-07 14:34:39 修改
阅读量349 收藏 12
点赞数 10
文章标签： 人工智能 iotdb 时序数据库 数据库 ai
于 2024-08-06 17:20:26 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qin_DB/article/details/140970652
版权

122c434e22cb04a1010ffe904572d333.jpeg

数据 x AI +，第一批用户已认可！

在工业智能化转型中，时序数据库与 AI 技术的结合对故障和异常预测场景的准确性和效率至关重要，逐渐成为行业前沿关注热点。在此方面，IoTDB 已迈出支持 AI 深度分析的重要一步，于 2023 年 12 月 3 日 IoTDB 用户大会上推出了内生机器学习节点 AINode。

AINode 的设计允许用户通过简单的 SQL 语句引入和运行外部机器学习模型，将模型的创建、管理及推理成功融合在数据库引擎中，极大地简化了时序分析任务的同时，大幅扩展了对时序数据进行机器学习分析的能力，其易用性与性能表现广受用户好评。

通过深入探讨 AINode 在工业应用中的案例及效果，并详解应用的具体场景与步骤，本文将让你更加全面地了解 IoTDB 的数据分析核心 AINode。

01 应用案例

我们先来看几个 AINode 赋能工业预测场景的案例：

（1）电力负载预测

在部分工业场景下，会存在预测电力负载的需求，预测结果可用于优化电力供应、节约能源和资源、支持规划和扩展以及增强电力系统的可靠性。

我们所使用的 ETTh1 的测试集的数据包含间隔 1h 采集一次的电力数据，每条数据由负载和油温构成，分别为：High UseFul Load, High UseLess Load, Middle UseLess Load, Low UseFul Load, Low UseLess Load, Oil Temperature。

在该数据集上，IoTDB-ML 的模型推理功能可以通过以往高中低三种负载的数值和对应时间戳油温的关系，预测未来一段时间内的油温，赋能电网变压器的自动调控和监视。

步骤一：数据导入

用户可以使用 tools 文件夹中的 import-csv.sh 向 IoTDB 中导入 ETT 数据集：

bash ./import-csv.sh -h 127.0.0.1 -p 6667 -u root -pw root -f ../../ETTh1.csv

步骤二：模型导入

我们可以在 iotdb-cli 中输入以下 SQL 从 huggingface 上拉取一个已经训练好的模型进行注册，用于后续的推理。

create model dlinear using uri 'https://huggingface.co/hvlgo/dlinear/resolve/main'

该模型基于较为轻量化的深度模型 DLinear 训练而得，能够以相对快的推理速度尽可能多地捕捉到序列内部的变化趋势和变量间的数据变化关系，相较于其他更深的模型更适用于快速实时预测。

步骤三：模型推理
IoTDB> select s0,s1,s2,s3,s4,s5,s6 from root.eg.etth LIMIT 96
+-----------------------------+---------------+---------------+---------------+---------------+---------------+---------------+---------------+
|                         Time|root.eg.etth.s0|root.eg.etth.s1|root.eg.etth.s2|root.eg.etth.s3|root.eg.etth.s4|root.eg.etth.s5|root.eg.etth.s6|
+-----------------------------+---------------+---------------+---------------+---------------+---------------+---------------+---------------+
|2017-10-20T00:00:00.000+08:00|         10.449|          3.885|          8.706|          2.025|          2.041|          0.944|          8.864|
|2017-10-20T01:00:00.000+08:00|         11.119|          3.952|          8.813|           2.31|          2.071|          1.005|          8.442|
|2017-10-20T02:00:00.000+08:00|          9.511|           2.88|          7.533|          1.564|          1.949|          0.883|           8.16|
|2017-10-20T03:00:00.000+08:00|          9.645|           2.21|          7.249|          1.066|          1.828|          0.914|          7.949|
......
|2017-10-23T20:00:00.000+08:00|          8.105|          0.938|          4.371|         -0.569|          3.533|          1.279|          9.708|
|2017-10-23T21:00:00.000+08:00|          7.167|          1.206|          4.087|         -0.462|          3.107|          1.432|          8.723|
|2017-10-23T22:00:00.000+08:00|            7.1|           1.34|          4.015|          -0.32|          2.772|           1.31|          8.864|
|2017-10-23T23:00:00.000+08:00|          9.176|          2.746|          7.107|          1.635|           2.65|          1.097|          9.004|
+-----------------------------+---------------+---------------+---------------+---------------+---------------+---------------+---------------+
Total line number = 96


IoTDB> call inference(dlinear_example, "select s0,s1,s2,s3,s4,s5,s6 from root.eg.etth", window=head(96))
+-----------+----------+----------+------------+---------+----------+----------+
|    output0|   output1|   output2|     output3|  output4|   output5|   output6|
+-----------+----------+----------+------------+---------+----------+----------+
|  10.319546| 3.1450553|  7.877341|   1.5723765|2.7303758| 1.1362307|  8.867775|
|  10.443649| 3.3286757| 7.8593454|   1.7675098| 2.560634| 1.1177158|  8.920919|
|  10.883752| 3.2341104|   8.47036|   1.6116762|2.4874182| 1.1760603|  8.798939| 
......
|  8.0115595| 1.2995274| 6.9900327|-0.098746896|  3.04923|  1.176214|  9.548782|
|   8.612427| 2.5036244| 5.6790237|  0.66474205|2.8870275| 1.2051733|  9.330128|
|  10.096699|  3.399722|    6.9909|   1.7478468|2.7642853| 1.1119363|  9.541455|
+-----------+----------+----------+------------+---------+----------+----------+
Total line number = 48

我们将对油温的预测的结果和真实结果进行对比，可以得到以下的图像。

图中 10/24 00:00 之前的数据为输入模型的过去数据，10/24 00:00 后的黄色线条为模型给出的油温预测结果，而蓝色为数据集中实际的油温数据（用于进行对比）。

3d0ae0af359801a86d2e667435ce60a6.png

可以看到，我们使用了过去 96 个小时（4 天）的六个负载信息和对应时间油温的关系，基于之前学习到的序列间相互关系对未来 48 个小时（2 天）的油温这一数据的可能变化进行了建模，可以看到可视化后预测曲线与实际结果在趋势上保持了较高程度的一致性。

（2）变电站功率预测

变电站需要对电流、电压、功率等数据进行电力监控，用于检测潜在的电网问题、识别电力系统中的故障、有效管理电网负载以及分析电力系统的性能和趋势等。

我们利用某变电站中的电流、电压和功率等数据构成了真实场景下的数据集。该数据集包括变电站近四个月时间跨度，每 5 - 6s 采集一次的 A 相电压、B 相电压、C 相电压等数据。

在该数据集上，IoTDB-ML 的模型推理功能可以通过以往 A 相电压，B 相电压和 C 相电压的数值和对应时间戳，预测未来一段时间内的 C 相电压，赋能变电站的监视管理。

步骤一：数据导入

用户可以使用 tools 文件夹中的 import-csv.sh 导入数据集：

bash ./import-csv.sh -h 127.0.0.1 -p 6667 -u root -pw root -f ../../data.csv

步骤二：模型导入

我们可以在 iotdb-cli 中输入以下 SQL 从 huggingface 上拉取一个已经训练好的模型进行注册，用于后续的推理。

create model patchtst using uri 'https://huggingface.co/hvlgo/patchtst/resolve/main'

我们采用深度模型 PatchTST 进行预测，PatchTST 是一种基于 transformer 的时序预测模型，在长时间序列预测任务中有出色的表现。

步骤三：模型推理
IoTDB> select * from root.eg.voltage limit 96
+-----------------------------+------------------+------------------+------------------+
|                         Time|root.eg.voltage.s0|root.eg.voltage.s1|root.eg.voltage.s2|
+-----------------------------+------------------+------------------+------------------+
|2023-02-14T20:38:32.000+08:00|            2038.0|            2028.0|            2041.0|
|2023-02-14T20:38:38.000+08:00|            2014.0|            2005.0|            2018.0|
|2023-02-14T20:38:44.000+08:00|            2014.0|            2005.0|            2018.0|
......
|2023-02-14T20:47:52.000+08:00|            2024.0|            2016.0|            2027.0|
|2023-02-14T20:47:57.000+08:00|            2024.0|            2016.0|            2027.0|
|2023-02-14T20:48:03.000+08:00|            2024.0|            2016.0|            2027.0|
+-----------------------------+------------------+------------------+------------------+
Total line number = 96


IoTDB> call inference(patchtst, "select s0,s1,s2 from root.eg.voltage", window=head(96))
+---------+---------+---------+
|  output0|  output1|  output2|
+---------+---------+---------+
|2013.4113|2011.2539|2010.2732|
|2013.2792| 2007.902|2035.7709|
|2019.9114|2011.0453|2016.5848|
......
|2018.7078|2009.7993|2017.3502|
|2033.9062|2010.2087|2018.1757|
|2022.2194| 2011.923|2020.5442|
|2022.1393|2023.4688|2020.9344|
+---------+---------+---------+
Total line number = 48

我们将对 C 相电压的预测的结果和真实结果进行对比，可以得到以下的图像。

图中 01/25 14:33 之前的数据为输入模型的过去数据，01/25 14:33 后的黄色线条为模型给出的 C 相电压预测结果，而蓝色为数据集中实际的 A 相电压数据（用于进行对比）。

024796ea27fdf05d4f3721b7a6c5d52a.png

可以看到，我们使用了过去 8 分钟的电压的数据，基于之前学习到的序列间相互关系对未来 4 分钟的 A 相电压这一数据的可能变化进行了建模，可以看到可视化后预测曲线与实际结果在趋势上保持了较高程度的同步性。

（3）交通运输异常预测

在民航交通运输业，存在着对乘机旅客数量进行异常检测的需求。异常检测的结果可用于指导调整航班的调度，以使得企业获得更大效益。

Airline Passengers 是一个时间序列数据集，该数据集记录了 1949 年至 1960 年期间国际航空乘客数量，间隔一个月进行一次采样。该数据集共含一条时间序列。

在该数据集上，IoTDB-ML 的模型推理功能可以通过捕捉序列的变化规律以对序列时间点进行异常检测，赋能交通运输业。

步骤一：数据导入

用户可以使用 tools 文件夹中的 import-csv.sh 导入数据集：

bash ./import-csv.sh -h 127.0.0.1 -p 6667 -u root -pw root -f ../../data.csv

步骤二：模型推理

IoTDB 内置有部分可以直接使用的机器学习算法，使用其中的异常检测算法进行预测的样例如下：

IoTDB> select * from root.eg.airline
+-----------------------------+------------------+
|                         Time|root.eg.airline.s0|
+-----------------------------+------------------+
|1949-01-31T00:00:00.000+08:00|             224.0|
|1949-02-28T00:00:00.000+08:00|             118.0|
|1949-03-31T00:00:00.000+08:00|             132.0|
|1949-04-30T00:00:00.000+08:00|             129.0|
......
|1960-09-30T00:00:00.000+08:00|             508.0|
|1960-10-31T00:00:00.000+08:00|             461.0|
|1960-11-30T00:00:00.000+08:00|             390.0|
|1960-12-31T00:00:00.000+08:00|             432.0|
+-----------------------------+------------------+
Total line number = 144


IoTDB> call inference(_Stray, "select s0 from root.eg.airline", k=2)
+-------+
|output0|
+-------+
|      0|
|      0|
|      0|
|      0|
......
|      1|
|      1|
|      0|
|      0|
|      0|
|      0|
+-------+
Total line number = 144

我们将检测为异常的结果进行绘制，可以得到以下图像。其中蓝色曲线为原时间序列，用红色点特殊标注的时间点为算法检测为异常的时间点。

48ed5393fbef20abaa36b1d00274d941.png

可以看到，Stray 模型对输入序列变化进行了建模，成功检测出出现异常的时间点。

02 使用指导

通过上述案例，我们可以看到，AINode 能够有效支持工业场景所需的数据预测、异常检测等场景，并具备出色的性能表现。

接下来我们将详细指导如何使用 AINode。AINode 对时序数据相关的深度学习模型提供了模型创建及删除的流程，内置模型无需创建及删除，可直接使用，并且在完成推理后创建的内置模型实例将自动销毁。

（1）注册模型

通过指定模型输入输出的向量维度，可以注册训练好的深度学习模型，从而用于模型推理。下方为模型注册的 SQL 语法定义。

create model <model_name> using uri <uri>

SQL 中参数的具体含义如下：

  • model_name：模型的全局唯一标识，不可重复。模型名称具备以下约束：

    • 允许出现标识符 [ 0-9 a-z A-Z _ ]（字母，数字，下划线）

    • 长度限制为 2-64 字符

    • 大小写敏感

  • uri：模型注册文件的资源路径，路径下应包含模型权重 model.pt 文件和模型的元数据描述文件 config.yaml

    • 模型权重文件：深度学习模型训练完成后得到的权重文件，目前支持 pytorch 训练得到的 .pt 文件

    • yaml 元数据描述文件：模型注册时需要提供的与模型结构有关的参数，其中必须包含模型的输入输出维度用于模型推理：

51f209181d7c98b48abf6cd4da88faa6.png

  • 除了模型推理外，还可以指定模型输入输出的数据类型：

a81411d042ae24bd6fc95815da44c1e8.png

  • 除此之外，可以额外指定备注信息用于在模型管理时进行展示：

55d1dfcb1197194fb27829c76d55d7ef.png

除了本地模型文件的注册，还可以通过 URI 来指定远程资源路径来进行注册，使用开源的模型仓库（例如 HuggingFace）。

示例

在当前的 example 文件夹下，包含 model.pt 和 config.yaml 文件，model.pt 为训练得到，config.yaml 的内容如下：

configs:
    # 必选项
    input_shape: [96, 2]      # 表示模型接收的数据为96行x2列
    output_shape: [48, 2]     # 表示模型输出的数据为48行x2列


    # 可选项 默认为全部float32，列数为shape对应的列数
    input_type: ["int64","int64"] #输入对应的数据类型，需要与输入列数匹配
    output_type: ["text","int64"] #输出对应的数据类型，需要与输出列数匹配
    
attributes:           # 可选项 为用户自定义的备注信息
   'model_type': 'dlinear'
   'kernel_size': '25'

指定该文件夹作为加载路径就可以注册该模型：

IoTDB> create model dlinear_example using uri "file://./example"

也可以从 huggingFace 上下载对应的模型文件进行注册：

create model dlinear_example using uri "https://huggingface.com/IoTDBML/dlinear/"

SQL 执行后会异步进行注册的流程，可以通过模型展示查看模型的注册状态（见模型展示章节），注册成功的耗时主要受到模型文件大小的影响。

模型注册完成后，就可以通过使用正常查询的方式调用具体函数，进行模型推理。

（2）查看模型

注册成功的模型可以通过 show models 指令查询模型的具体信息。其 SQL 定义如下：

show models
show models <model_name>

除了直接展示所有模型的信息外，可以指定 model id 来查看某一具体模型的信息。模型展示的结果中包含如下信息：

7964d21b86322c75f94a0990ac5a0f5c.png

其中，State 用于展示当前模型注册的状态，包含以下四个阶段：

  • LOADING：已经在 configNode 中添加对应的模型元信息，正将模型文件传输到 AINode 节点上

  • ACTIVE：模型已经设置完成，模型处于可用状态

  • DROPPING：模型删除中，正在从 configNode 以及 AINode 处删除模型相关信息

  • UNAVAILABLE: 模型创建失败，可以通过 drop model 删除创建失败的 model_name。

示例
IoTDB> show models
+---------------------+--------------------------+-----------+----------------------------+-----------------------+
|              ModelId|                 ModelType|      State|                     Configs|                  Notes|
+---------------------+--------------------------+-----------+----------------------------+-----------------------+
|      dlinear_example|              USER_DEFINED|     ACTIVE|           inputShape:[96,2]|                       |
|                     |                          |           |          outputShape:[48,2]|                       |
|                     |                          |           | inputDataType:[float,float]|                       |
|                     |                          |           |outputDataType:[float,float]|                       | 
|       _STLForecaster|         BUILT_IN_FORECAST|     ACTIVE|                            |Built-in model in IoTDB|
|     _NaiveForecaster|         BUILT_IN_FORECAST|     ACTIVE|                            |Built-in model in IoTDB|
|               _ARIMA|         BUILT_IN_FORECAST|     ACTIVE|                            |Built-in model in IoTDB|
|_ExponentialSmoothing|         BUILT_IN_FORECAST|     ACTIVE|                            |Built-in model in IoTDB|
|         _GaussianHMM|BUILT_IN_ANOMALY_DETECTION|     ACTIVE|                            |Built-in model in IoTDB|
|              _GMMHMM|BUILT_IN_ANOMALY_DETECTION|     ACTIVE|                            |Built-in model in IoTDB|
|               _Stray|BUILT_IN_ANOMALY_DETECTION|     ACTIVE|                            |Built-in model in IoTDB|
+---------------------+--------------------------+-----------+----------------------------+-----------------------+

我们前面已经注册了对应的模型，可以通过对应的指定查看模型状态，active 表明模型注册成功，可用于推理。

（3）删除模型

对于注册成功的模型，用户可以通过 SQL 进行删除。该操作除了删除 configNode 上的元信息外，还会删除所有 AINode 下的相关模型文件。其 SQL 如下：

drop model <model_name>

需要指定已经成功注册的模型 model_name 来删除对应的模型。由于模型删除涉及多个节点上的数据删除，操作不会立即完成，此时模型的状态为 DROPPING，该状态的模型不能用于模型推理。

（4）使用内置模型推理

SQL 语法如下：

call inference(<built_in_model_name>,sql[,<parameterName>=<parameterValue>])

内置模型推理无需注册流程，通过 call 关键字，调用 inference 函数就可以使用模型的推理功能，其对应的参数介绍如下：

  • built_in_model_name：内置模型名称

  • parameterName：参数名

  • parameterValue：参数值

内置模型及参数说明

目前已内置如下机器学习模型：

ed1f325225f23e139b471d871020751f.png

示例

下面是使用内置模型推理的一个操作示例，使用内置的 Stray 模型进行异常检测算法，输入为 [144,1]，输出为 [144,1]，我们通过 SQL 使用其进行推理。

IoTDB> select * from root.eg.airline
+-----------------------------+------------------+
|                         Time|root.eg.airline.s0|
+-----------------------------+------------------+
|1949-01-31T00:00:00.000+08:00|             224.0|
|1949-02-28T00:00:00.000+08:00|             118.0|
|1949-03-31T00:00:00.000+08:00|             132.0|
|1949-04-30T00:00:00.000+08:00|             129.0|
......
|1960-09-30T00:00:00.000+08:00|             508.0|
|1960-10-31T00:00:00.000+08:00|             461.0|
|1960-11-30T00:00:00.000+08:00|             390.0|
|1960-12-31T00:00:00.000+08:00|             432.0|
+-----------------------------+------------------+
Total line number = 144


IoTDB> call inference(_Stray, "select s0 from root.eg.airline", k=2)
+-------+
|output0|
+-------+
|      0|
|      0|
|      0|
|      0|
......
|      1|
|      1|
|      0|
|      0|
|      0|
|      0|
+-------+
Total line number = 144

（5）使用深度学习模型推理

SQL 语法如下：

call inference(<model_name>,sql[,window=<window_function>])


window_function:
    head(window_size)
    tail(window_size)
    count(window_size,sliding_step)

在完成模型的注册后，通过 call 关键字，调用 inference 函数就可以使用模型的推理功能，其对应的参数介绍如下：

  • model_name：对应一个已经注册的模型

  • sql：sql 查询语句，查询的结果作为模型的输入进行模型推理。查询的结果中行列的维度需要与具体模型 config 中指定的大小相匹配。(这里的 sql 不建议使用 SELECT * 子句，因为在 IoTDB 中，* 并不会对列进行排序，因此列的顺序是未定义的，可以使用 SELECT s0,s1 的方式确保列的顺序符合模型输入的预期)

  • window_function：推理过程中可以使用的窗口函数，目前提供三种类型的窗口函数用于辅助模型推理：

    • head(window_size)：获取数据中最前的 window_size 个点用于模型推理，该窗口可用于数据裁剪

da3854d3250aa5fcf3b7367b6838d9d5.png

    • tail(window_size)：获取数据中最后的 window_size 个点用于模型推，该窗口可用于数据裁剪

ee2f50a9aa9f6e5c3a91ca347674b0e9.png

    • count(window_size, sliding_step)：基于点数的滑动窗口，每个窗口的数据会分别通过模型进行推理，如下图示例所示，window_size 为 2 的窗口函数将输入数据集分为三个窗口，每个窗口分别进行推理运算生成结果。该窗口可用于连续推理

c2ef41c78b064e7dabdca3e9433ab47b.png

说明 1: window 可以用来解决 sql 查询结果和模型的输入行数要求不一致时的问题，对行进行裁剪。需要注意的是，当列数不匹配或是行数直接少于模型需求时，推理无法进行，会返回错误信息。

说明 2: 在深度学习应用中，经常将时间戳衍生特征（数据中的时间列）作为生成式任务的协变量，一同输入到模型中以提升模型的效果，但是在模型的输出结果中一般不包含时间列。为了保证实现的通用性，模型推理结果只对应模型的真实输出，如果模型不输出时间列，则结果中不会包含。

示例

下面是使用深度学习模型推理的一个操作示例，针对上面提到的输入为 [96,2]，输出为 [48,2] 的 dlinear 预测模型，我们通过 SQL 使用其进行推理。

IoTDB> select s1,s2 from root.**
+-----------------------------+-------------------+-------------------+
|                         Time|    root.eg.etth.s0|    root.eg.etth.s1|
+-----------------------------+-------------------+-------------------+
|1990-01-01T00:00:00.000+08:00|             0.7855|              1.611|
|1990-01-02T00:00:00.000+08:00|             0.7818|               1.61|
|1990-01-03T00:00:00.000+08:00|             0.7867|             1.6293|
|1990-01-04T00:00:00.000+08:00|              0.786|              1.637|
|1990-01-05T00:00:00.000+08:00|             0.7849|              1.653|
|1990-01-06T00:00:00.000+08:00|             0.7866|             1.6537|
|1990-01-07T00:00:00.000+08:00|             0.7886|              1.662|
......
|1990-03-31T00:00:00.000+08:00|             0.7585|              1.678|
|1990-04-01T00:00:00.000+08:00|             0.7587|             1.6763|
|1990-04-02T00:00:00.000+08:00|               0.76|             1.6813|
|1990-04-03T00:00:00.000+08:00|             0.7669|              1.684|
|1990-04-04T00:00:00.000+08:00|             0.7645|              1.677|
|1990-04-05T00:00:00.000+08:00|             0.7625|               1.68|
|1990-04-06T00:00:00.000+08:00|             0.7617|             1.6917|
+-----------------------------+-------------------+-------------------+
Total line number = 96


IoTDB> call inference(dlinear_example,"select s0,s1 from root.**")
+--------------------------------------------+-----------------------------+
|                                   _result_0|                    _result_1|
+--------------------------------------------+-----------------------------+
|                           0.726302981376648|           1.6549958229064941|
|                          0.7354921698570251|           1.6482787370681763|
|                          0.7238251566886902|           1.6278168201446533|
......
|                          0.7692174911499023|            1.654654049873352|
|                          0.7685555815696716|           1.6625318765640259|
|                          0.7856493592262268|           1.6508299350738525|
+--------------------------------------------+-----------------------------+
Total line number = 48

使用 tail/head 窗口函数的示例

当数据量不定且想要取 96 行最新数据用于推理时，可以使用对应的窗口函数 tail。head 函数的用法与其类似，不同点在于其取的是最早的 96 个点。

IoTDB> select s1,s2 from root.**
+-----------------------------+-------------------+-------------------+
|                         Time|    root.eg.etth.s0|    root.eg.etth.s1|
+-----------------------------+-------------------+-------------------+
|1988-01-01T00:00:00.000+08:00|             0.7355|              1.211|
......
|1990-01-01T00:00:00.000+08:00|             0.7855|              1.611|
|1990-01-02T00:00:00.000+08:00|             0.7818|               1.61|
|1990-01-03T00:00:00.000+08:00|             0.7867|             1.6293|
|1990-01-04T00:00:00.000+08:00|              0.786|              1.637|
|1990-01-05T00:00:00.000+08:00|             0.7849|              1.653|
|1990-01-06T00:00:00.000+08:00|             0.7866|             1.6537|
|1990-01-07T00:00:00.000+08:00|             0.7886|              1.662|
......
|1990-03-31T00:00:00.000+08:00|             0.7585|              1.678|
|1990-04-01T00:00:00.000+08:00|             0.7587|             1.6763|
|1990-04-02T00:00:00.000+08:00|               0.76|             1.6813|
|1990-04-03T00:00:00.000+08:00|             0.7669|              1.684|
|1990-04-04T00:00:00.000+08:00|             0.7645|              1.677|
|1990-04-05T00:00:00.000+08:00|             0.7625|               1.68|
|1990-04-06T00:00:00.000+08:00|             0.7617|             1.6917|
+-----------------------------+-------------------+-------------------+
Total line number = 996


IoTDB> call inference(dlinear_example,"select s0,s1 from root.**",window=tail(96))
+--------------------------------------------+-----------------------------+
|                                   _result_0|                    _result_1|
+--------------------------------------------+-----------------------------+
|                           0.726302981376648|           1.6549958229064941|
|                          0.7354921698570251|           1.6482787370681763|
|                          0.7238251566886902|           1.6278168201446533|
......
|                          0.7692174911499023|            1.654654049873352|
|                          0.7685555815696716|           1.6625318765640259|
|                          0.7856493592262268|           1.6508299350738525|
+--------------------------------------------+-----------------------------+
Total line number = 48

使用 count 窗口函数的示例

该窗口主要用于计算式任务，当任务对应的模型一次只能处理固定行数据而最终想要的确实多组预测结果时，使用该窗口函数可以使用点数滑动窗口进行连续推理。假设我们现在有一个异常检测模型 anomaly_example(input: [24,2], output[1,1])，对每行数据会生成一个 0/1 的标签，其使用示例如下：

IoTDB> select s1,s2 from root.**
+-----------------------------+-------------------+-------------------+
|                         Time|    root.eg.etth.s0|    root.eg.etth.s1|
+-----------------------------+-------------------+-------------------+
|1990-01-01T00:00:00.000+08:00|             0.7855|              1.611|
|1990-01-02T00:00:00.000+08:00|             0.7818|               1.61|
|1990-01-03T00:00:00.000+08:00|             0.7867|             1.6293|
|1990-01-04T00:00:00.000+08:00|              0.786|              1.637|
|1990-01-05T00:00:00.000+08:00|             0.7849|              1.653|
|1990-01-06T00:00:00.000+08:00|             0.7866|             1.6537|
|1990-01-07T00:00:00.000+08:00|             0.7886|              1.662|
......
|1990-03-31T00:00:00.000+08:00|             0.7585|              1.678|
|1990-04-01T00:00:00.000+08:00|             0.7587|             1.6763|
|1990-04-02T00:00:00.000+08:00|               0.76|             1.6813|
|1990-04-03T00:00:00.000+08:00|             0.7669|              1.684|
|1990-04-04T00:00:00.000+08:00|             0.7645|              1.677|
|1990-04-05T00:00:00.000+08:00|             0.7625|               1.68|
|1990-04-06T00:00:00.000+08:00|             0.7617|             1.6917|
+-----------------------------+-------------------+-------------------+
Total line number = 96


IoTDB> call inference(anomaly_example,"select s0,s1 from root.**",window=count(24,24))
+-------------------------+
|                _result_0|
+-------------------------+
|                        0|
|                        1|
|                        1|
|                        0|
+-------------------------+
Total line number = 4

其中结果集中的每行的标签对应 16 行输入对应的模型输出。

03 总结

本文梳理了 IoTDB 中 AINode 的基本概念，应用场景示例及使用教程，对于希望实现故障/异常预测业务场景智能化分析的工业用户，AINode 支持让时序数据与机器学习、模型分析领域的技术成果更好地结合，为用户提供更深入、多样的数据分析方法。

更多 AINode 相关功能信息，可点击用户手册：内生机器学习框架（AINode）_天谋IoTDB 进一步了解，欢迎联系我们获取更多信息！

规上企业应用实例

能源电力：中核武汉｜国网信通产业集团｜华润电力｜大唐先一｜上海电气国轩｜清安储能｜太极股份｜绍兴安瑞思

航天航空：中航机载共性｜北邮一号卫星

钢铁冶炼：宝武钢铁｜中冶赛迪

交通运输：中车四方｜长安汽车｜城建智控｜德国铁路

智慧工厂与物联：PCB 龙头企业｜博世力士乐｜德国宝马｜京东｜昆仑数据｜怡养科技

d33d85be9311d649c46c85eb383ae3e4.gif

568ea69412c66bedc41ae76d586bd984.jpeg

f377f5703110dc7d48f1c78c44e5f173.jpeg

5d2fb3e46f0be90f108e3ee3688918e2.jpeg

69aa79ce844e99a1e4b1834da2710012.gif

Apache IoTDB
关注
  • 10
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
人工智能永恒的春天已经到来，你准备好了吗？
02-25
他认为，人工智能(AI)对未来许多行业带来的变革，如同100多年前，美国“触电”一样——电对制造、运输、农业（尤其是冷藏）、医疗等等带来了划时代的变革。AI驱动着百度的搜索和广告，调度百度外卖的快递员，选择...
CHAT GPT的这些知识你了解吗？
04-12
美国OpenAI 研发的聊天机器人程序 于2022年11月30日发布 。 ChatGPT是人工智能技术驱动的自然语言处理工具，它能够通过理解和学习人类的语言来进行对话，还能根据聊天的上下文进行互动，真正像人类一样来聊天交流...
2023 IoTDB Summit：清华大学软件学院长聘副教授龙明盛《IoTDB 新组件：内生机器学习》...
qin_DB的博客
01-03 1058
12 月 3 日，2023 IoTDB 用户大会在北京成功举行，收获强烈反响。本次峰会汇集了超 20 位大咖嘉宾带来工业互联网行业、技术、应用方向的精彩议题，多位学术泰斗、企业代表、开发者，深度分享了工业物联网时序数据库 IoTDB 的技术创新、应用效果，与各行业标杆用户的落地实践、解决方案，并共同探讨时序数据管理领域的行业趋势。我们邀请到清华大学软件学院长聘副教授龙明盛参加此次大会，并做主题报告...
华为MRS产品组件
qq_58814722的博客
06-17 856
MRS是一个在上部署和管理Hadoop系统的，一键即可部署Hadoop集群。MRS提供租户完全可控的一站式企业级（全栈大数据平台），轻松运行Hadoop、Spark、HBase、Kafka、Storm等大数据组件。使用MRS的首要操作就是购买集群，MRS的扩容不论在存储还是计算能力上，都可以简单地通过增加Core节点或者Task节点来完成。集群Core节点不仅可以处理数据，也可以存储数据。集群Task节点主要用于处理数据，不存放持久数据。文件管理用于集群运维，包括文件夹创建、删除，文件导入、导出、删除操作。
请查收，您有一份阿里先锋开源项目清单
阿里技术
04-22 4578
在阿里巴巴集团CTO程立看来：未来整个数字世界的根基是开源和云。未来，开源会形成一个真正开放、合作、可信的“根”。 从去年开始，阿里也加大了「开源委员会」 和「开源办公室」的投入，让阿里的开源行动变得更加有系统、有组织、可持续。在这篇文章里，让我们一起回顾下7大方向、多个开源先锋项目的进展。
物联网设备和应用程序涉及协议的概述
全网:架构师研究会
04-01 633
物联网设备和应用程序涉及协议的概述。 帮助澄清IoT层技术栈和头对头比较。物联网涵盖了广泛的行业和用例，从单一受限制的设备扩展到大量跨平台部署嵌入式技术和实时连接的云系统。将它们捆绑在一起是许多传统和新兴的通信协议，允许设备和服务器以新的，更互联的方式相互通信。同时，数十个联盟和联盟正在形成，希望能够统一断层和有机的物联网景观。以下频道指南：提供有助于IoT设备，应用程序...
数据库毕业设计参考文献最新合集
热门推荐
sun13212715744的博客
10-18 1万+
随着国民经济的飞速发展,信息管理系统在各行各业的应用不断融合深化,但伴随而来的安全风险也在持续增加.数据库系统作为信息管理系统的核心部分,它的安全直接关系到整个信息管理系统的安全.下面是搜素整理的数据库毕业设计参考文献
优秀开源项目汇总
cyb_123的博客
12-13 6214
基础软件 A-Tune 华为 系统性能自优化软件 https://www.oschina.net/p/a-tune Anolis OS 龙蜥社区 龙蜥操作系统 https://www.oschina.net/p/anolisos Apache Linkis Apache 软件基金会 计算中间件 https://www.oschina.net/p/linkis Deepin 深度 深度操作系统 https://www.oschina.net/p/linuxdeepin FydeOS FydeOS 云驱动操作系
GPT到底是什么，你真的了解吗？
03-15
2020 年七月，人工智能科研公司 OpenAI，推出了它的新一代语言模型，叫 GPT-3。 这个事儿有多厉害呢，中文社交网络流传一篇文章的标题叫《一个新型 AI 震惊硅谷：它像一个高智商的人，颠覆对 AI 的认知》，这个标题...
如何使用Chatgpt你真的了解么？
04-27
ChatGPT是一个人工智能语言模型，旨在回答各种问题并与用户进行自然的对话。以下是您可以遵循的一些步骤，以有效地使用ChatGPT： 开始对话：您可以通过输入您感兴趣的问题或主题来与ChatGPT开始对话。然后，ChatGPT...
常见的文心一言的指令
知码客
07-25 2580
文心一言，作为百度研发的预训练语言模型“ERNIE 3.0”的一项功能，能够与人对话互动，回答问题，协助创作，高效便捷地帮助人们获取信息、知识和灵感。
电脑技巧：9个免费的AI图片无损放大工具和网站
08-05 613
今天小编给大家介绍9款免费的AI图片放大工具和网站，帮助你提高图片清晰度，感兴趣的朋友可以自己试一试！美图设计室是美图秀秀公司推出的一款在线图片编辑和设计工具箱，提供包括AI 抠图、AI海报、AI PPT、AI消除、AI文生图、AI变清晰、AI无损放大等AI图片编辑工具。其提供的图片无损放大功能，目前是限时免费中，可以帮助用户将JPG、JPEG、PNG、HEIC等格式的图片放大清晰不失真，细节更丰富。✅ 产品优点由美图推出，产品功能稳定，处理速度较快支持免费进行图片放大到8倍。
和数集团十周年庆典：新起点、新目标、新征程
Likelib的博客
08-01 1271
在十周年庆典这个特殊的日子，和数集团对在市场开拓、客户服务等方面具有突出表现的个人进行了表彰。
常用的机器学习模型的不同调用方式
weixin_71458119的博客
08-01 1175
不同机器学习方法的调用
Transformer 架构告诉我们什么？
2401_85233349的博客
08-01 1568
在传统的心理语言学方法中，人类语言是用可解释的模型来解释的，这些模型将符号元素（例如名词、动词、形容词、副词等）与基于规则的操作相结合。从几何上讲，它们之间的夹角越小，余弦值和点积就越大，并且这两个词在特定上下文中的相关性就越高，就像在高维空间中表示的那样。，Transformer 作为过度参数化的简单模型所展现出的蛮力学习，与进化过程类似，都是“简单而简约的”。下面是一个简单的示例，展示了词向量的基本概念。有趣的是，A 和 B 的相关系数也是角度的余弦（见上文 (2) 和 (3) 的公式）。
如何把视频语音转文字？交给这4款工具就完事
xixixihahaha_的博客
08-01 641
然而，随着采访的深入，如何快速准确地将这些珍贵的视频内容转化为文字记录，成为了一个亟待解决的问题。在这场速度与精准度的竞赛中，视频转文字的免费软件便成为了记者们不可或缺的助手。这两天巴黎奥运会的盛大开幕，世界各地的记者们纷纷涌入这个体育盛事的现场，带着他们的镜头和麦克风，捕捉每一个激动人心的瞬间。高精度识别：采用先进的语音识别技术，确保转换文字的准确性。适用于多种场景的视频转文字需求，特别是对外语视频的支持。云端存储：转换后的文字自动保存在云端，方便随时访问。③ 开始转写，并在线查看和编辑生成的文字内容。
昇思基础课程打卡（SPONGE课前学习）9.使用静态图加速
最新发布
cftang9999的专栏
08-06 473
AI编译框架分为两种运行模式，分别是动态图模式以及静态图模式。MindSpore默认情况下是以动态图模式运行，但也支持手工切换为静态图模式。
医疗AI新突破！多模态对齐网络精准预测X光生存，自动生成医疗报告！
m0_61574757的博客
08-02 739
随着大型视觉语言模型（LVLMs）在医疗保健应用中的日益重要，包括医疗视觉问题解答和成像报告生成，这些模型在展现强大能力的同时，也继承了基础大型语言模型（LLMs）的幻觉倾向。幻觉指的是生成看似事实但无根据的内容，这在医疗领域尤其危险，因为容错率极低。然而，目前医疗领域缺乏针对幻觉检测和评估的专用方法和基准。为了填补这一空白，本文提出了Med-HallMark，首个专为医疗多模态领域设计的幻觉检测和评估基准。该基准提供了多任务幻觉支持、多面幻觉数据和层次化幻觉分类。
你能写一个element ui 的group box 组件吗？
04-07
很抱歉，作为AI语言模型，我无法编写代码。但是，我可以为您提供使用Element UI实现组合框的一些指导。 Element UI是一个基于Vue.js的UI库，它提供了很多常用的UI组件，其中包括group box组件。要使用该组件，您需要先安装和引入Element UI，并在Vue实例中注册该组件。下面是一个简单的示例： ```html <template> <div> <el-card> <div slot="header"> <h3>Group Box</h3> </div> <el-row> <el-col :span="12"> <el-form> <el-form-item label="Name"> <el-input v-model="name"></el-input> </el-form-item> <el-form-item label="Email"> <el-input v-model="email"></el-input> </el-form-item> </el-form> </el-col> <el-col :span="12"> <el-form> <el-form-item label="Phone"> <el-input v-model="phone"></el-input> </el-form-item> <el-form-item label="Address"> <el-input v-model="address"></el-input> </el-form-item> </el-form> </el-col> </el-row> </el-card> </div> </template> <script> export default { data() { return { name: '', email: '', phone: '', address: '' } } } </script> ``` 在上面的示例中，我们使用了el-card组件作为外层容器，并在其中使用了el-row和el-col组件来创建一个两列的布局。在每个el-col中，我们使用了el-form和el-form-item组件来创建表单项。注意，我们在el-card组件中使用了一个slot来创建组合框的标题。您可以根据需要自定义标题内容。 当然，这只是一个最基本的示例，您可以根据需要使用其他Element UI组件来扩展您的组合框。希望这可以帮助到您。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Apache IoTDB

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值