TDgpt
TDgpt 是 TDengine 内置的时序数据分析 AI 智能体，具备时序数据预测、异常检测、补齐和分类功能。它能无缝对接各种时序数据模型、大语言模型、机器学习及传统统计算法，并支持算法动态切换，用户只需通过一条 SQL 语句即可轻松体验。此外，通过开放的 SDK，开发者能将自己开发的AI算法或模型轻松集成到 TDgpt，立即为TDengine 全行业用户所使用。
主要亮点
零学习门槛
仅需一条 SQL
引入 forecast 与 anomaly_window 两个 SQL 函数，且可指定算法，进行动态切换。无需编程经验、无需了解算法、大模型、时序模型的实现，真正零门槛使用。
零初期投入
即刻享受AI红利
TDgpt 执行代码下载即可用，更可免费注册云服务立即体验。提供内置通用模型和算法，支持不同解决方案接入，用户可选择最适合自己的模型和算法，迅速决策。
零时间差
最新算法轻松集成
通过开放的 SDK，开发者可轻松将 AI 算法或模型集成到 TDgpt。使用新算法、模型，应用系统无需做任何调整，降低研发成本，保证算法开发者专注研发。
一条 SQL，让你拥有时序数据预测与异常检测的能力
时序数据预测
TDgpt 提供了 SQL 函数 FORECAST 来实现时序数据的预测
FORECAST(column_expr, option_expr)
option_expr: { "algo=expr1[,wncheck=1|0][,conf=conf_val][,every=every_val][,rows=rows_val][,start=start_ts_val][,expr2]"}示例
使用 lstm 算法进行预测，调用 lstm_foo模型，输入数据的是周期数据，每 10 个采样点是一个周期，返回置信区间是95%的上下边界，同时忽略白噪声检查
SELECT _flow, _fhigh, _frowts, FORECAST(i32, "algo=lstm,model=lstm_foo,alpha=95,period=10,wncheck=0") FROM foo;
时序数据异常检测
TDgpt 提供了 SQL 函数 ANOMALY_WINDOW 来提供时序数据异常检测：
ANOMALY_WINDOW(column_name, option_expr)
option_expr: {"algo=expr1 [,wncheck=1|0] [,expr2]"}示例
使用自编码器（autoencoder）进行异常检测，调用了使用自编码器训练的 ad_autoencoder_foo 模型来检测输入数据的异常窗口
SELECT COUNT(*), _WSTART FROM foo ANOMALY_WINDOW(col1, 'algo=autoencoder, model=ad_autoencoder_foo');
历史校正函数
TDGPT 提供了 SQL 函数 Historic 用于时序数据缺失值补值：
historic(ts, val, interval, [, confidence-level][, 'option str'])Note
使用方法与 forecast 函数相似，但返回值是预测的历史值及其插值。
场景演示
电力需求预测
电力需求预测是能源管理的智能中枢，为电力系统提供全流程决策支撑。它通过精准预判用电趋势动态优化资源配置，保障电力供应稳定与电网高效运行。电力需求预测深度融入电力市场交易体系，帮助供需双方实现价值最大化。作为能源转型的底层能力，预测模型持续为清洁能源调度和新型电力系统建设注入确定性。
风力发电预测
新能源发电预测是保障电网稳定运行的核心技术，通过精准预判天气波动与发电趋势，动态优化储能调配与电力调度，有效避免供电中断与运营风险。结合气象数据与智能模型，持续提升预测精度，赋能企业制定高效发电策略，强化市场竞争力。
运维异常检测
实时监控CPU、内存、硬盘及网络核心指标，是保障服务器稳定运行的智能中枢。通过动态基线分析与异常模式识别，系统能精准预警潜在风险，区分程序漏洞、安全攻击或硬件故障，为主动运维提供方向，降低误报率，同时拦截可能导致宕机的严重问题。
TDgpt 企业版
提供模型管理器，对模型进行评估、选择与重训练
利用自研的时序基础模型，提供用户专有场景的模型
提供专业的训练、优化、部署、维护等技术服务
