TDgpt
TDengine 基于预训练 LLM 的时序数据 AI 分析工具
主要亮点
简单易用
通过 SQL 命令执行预测、异常检测任务，你无需了解大模型是怎么工作的，更不需要学习新的内容
无需训练
无需任何历史数据的训练，TDgpt 直接将时序数据转为 Token 投喂给大模型，这样便于迅速部署和使用
精细微调
为提高准确度，TDgpt 可以根据你提供的特有数据集对模型参数进行精细调整，以达到最佳效果
实时处理
与 TDengine 的流式计算相结合，TDgpt 可以实时的进行预测和异常检测，满足工业实时性的需求
Inside TDgpt
TDengine 团队并没有开发时序大模型，而是在通用的大模型 Llama-2 的基础上，发挥大模型的超强的 sequential modeling 能力，模式识别的能力，以及支持多模态的能力，用输入的时序数据生成特有的 Prompt 以及 Token, 然后输入给大模型，再输出时序数据的。
其中的 Time Series Prompt Design 采用预置好的模版，而且也考虑了输入的时序数据统计特征生成 LLM 需要的 Prompt。Time Series Tokenization 将输入的时序数据序列使用滑动窗口变成一小段（Patch）一小段, 而且将时序数据分解成 Trend, Seasonality, Residual 三部分, 生成 LLM 需要的 token。
设备预测性维护
基本概念和实现步骤
设备预测性维护是一种基于数据分析和预测模型的维护策略。它通过监测设备运行数据、分析设备状态和趋势，提前预测设备故障并采取相应的维护措施，以避免设备故障对生产造成的影响。
具体步骤：通过传感器和物联网设备持续收集设备的运行数据，如温度、振动、压力等；对收集到的数据进行清洗和处理，去除噪声和异常值，确保数据质量；从时序数据中提取关键特征，如趋势、周期性和异常点，这些特征有助于预测模型的构建；实时监控设备运行状态，应用 TDgpt 预测潜在故障；根据预测结果，提前发出预警，并安排维护计划，避免设备故障导致的停机和损失。
应用场景
可以用于分析发电机组、变压器、采油设备、数控机床等设备的运行数据，预测设备可能的故障和需要维护的时间。预测性维护可以优化设备性能和使用寿命，减少停机时间和维护成本，提高生产效率和设备可靠性。
设备异常检测
基本概念和实现步骤
通过各种技术手段对设备的运行状态进行实时监测和管理。它可以帮助企业提高设备的运行效率，减少故障发生率，并延长设备的使用寿命。
具体步骤：通过传感器和监控系统，收集设备的运行数据，如温度、压力、振动等，对收集到的数据进行清洗、去噪、归一化等处理，以确保数据的质量和一致性，应用 TDgpt 预测设备在未来一段时间内的运行状态，将预测值与实际观测值进行比较，如果偏差超过预设阈值，则认为存在异常，系统发出警报提醒运维人员及时处理。
应用场景
设备异常检测在多个领域有着广泛的应用，工业设备故障预警、电力设备监控、车辆健康监测、网络安全中的入侵检测和数据泄露防护等。将时序数据预测应用到设备异常检测中，可以提高运行效率、保障安全、减少故障。
可再生能源整合
基本概念和实现步骤
通过分析和预测电力负荷和可再生能源发电量，优化电力调度和储能系统的充放电策略，确保电网的稳定性和效率，从而实现可再生能源的高效利用和可持续发展。
具体步骤：收集历史电力负荷数据和可再生能源发电数据（如太阳能和风能）；对收集到的数据进行清洗、去噪和标准化处理，以确保数据质量；提取有助于预测的特征，如天气数据、季节性因素、时间特征等；结合天气预报，应用 TDgpt 进行未来电力负荷和可再生能源发电量的预测，优化电力调度和储能系统的充放电策略。
应用场景
时序预测对于风能和太阳能等可再生能源的发电量预测非常关键。通过结合天气观测、卫星数据和数值天气预报模型，系统运营商可以更好地管理这些间歇性能源的波动，优化能源存储，提升电网的可靠性和安全性
能耗管理
基本概念和实现步骤
能耗管理是指对能源消耗进行主动、系统的监测、控制和优化，以达到节约能源和降低成本的目的。
具体步骤：收集设备的历史能耗数据，以及环境数据，如温度、湿度等；对收集到的数据进行清洗，去除噪声和异常值；提取有助于预测的特征，如环境数据（温度、湿度等）、生产数据（生产量、设备运行时间等）；应用 TDGPT 对未来的能耗进行预测，根据预测结果，优化设备的运行时间和负荷分配；制定节能措施。
应用场景
能耗管理在多个行业和场景中都有广泛的应用，如智能制造车间、智能交通系统、电动汽车管理、智能农业、市政管理等。通过分析历史能耗数据，可以预测未来的能耗趋势，从而帮助优化能源使用策略，减少浪费，提升能效。
质量控制改进
基本概念和实现步骤
通过数据分析找出质量问题的根源，制定相应的改进措施，提高产品、体系或过程满足质量要求的能力，使质量达到新的水平和高度。
具体步骤：收集生产过程中的大量历史数据，这些数据可以包括温度、压力、生产速度等各种参数；对收集到的数据进行清洗和预处理，去除噪声和异常值，确保数据的准确性和一致性；利用 TDgpt 对未来的数据进行预测，识别潜在的产品质量问题；根据预测结果，实时监控生产过程中的关键参数，及时调整生产工艺，防止不良品的产生，提高产品质量。
应用场景
通过分析汽车零件、芯片、食品、药品、工业产品生产过程中的各项参数数据， 可以预测产品质量问题，及时调整生产参数，减少不良品率，提高产品质量。
产量以及用量预测
基本概念和实现步骤
通过分析历史数据、当前状况和未来趋势，预测未来一段时间内某种产品或资源的产量和用量。
具体步骤：收集历史数据，清洗数据，处理缺失值和异常值，确保数据质量，进行特征提取，应用 TDgpt，进行未来产量/用量的预测，并通过实际数据验证预测结果的准确性，从而进一步的规划和管理资源。
应用场景
无论是石油、天然气还是新能源，我们都需要预测用户的用量，也需要对我们的产量进行预测，从中做出最有利的交易决策。
只需一行 SQL，轻松搞定时序数据大模型
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(ts, val, num[, confidence-level][, 'option str'])Note: ts（必选参数），表示时序列，为表中已存在的列名；val（必选参数），数据列，为表中已存在的列名；num（必选参数），表示预测多少数据（即输出行数）；confidence-level（可选参数），置信水平，[1, 99]之间的整数；’option str’（可选参数），预测参数，形如 k1=v1, k2=v2 的逗号分隔的字符串；返回值，该函数的返回类型与 val 数据列类型一致，其他信息需要使用伪列进行提取。
示例
taos> select _rowts, forecast(ts, val, 300) from demo.d100;
时序数据异常检测
TDgpt 提供了 SQL 函数 Anomaly 来提供时序数据异常检测：
anomaly(ts, val[, confidence-level][, 'option str'])Note: ts（必选参数），表示时序列，为表中已存在的列名；val（必选参数），数据列，为表中已存在的列名；confidence-level（可选参数），置信水平，[1, 99]之间的整数；’option str’（可选参数），预测参数，形如 k1=v1, k2=v2 的逗号分隔的字符串；返回值，该函数的返回类型与 val 数据列类型一致，当输入时间戳对应的数据预测为异常值时，返回值为预测值，否则返回值为 NULL 。其他信息同 FORECAST，需要使用伪列进行提取。
示例
taos> select _rowts, anomaly(ts, val, 99) as anomaly from demo.d200;
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。
时序大模型的挑战
01
数据质量
对于真实的时序数据，噪音和异常总是存在，而且还经常有缺失的数据甚至时间段
02
非静态
在很多场景，时序数据的统计特征，比如平均值、方差、自相关等，随时间而变化
03
多模态
时序数据来自很多不同领域，如物联网、交通、金融等，而且不同的数据集呈现出不同的趋势、季节性与模式
04
扩展性与计算效率
因为时序数据的量很大，而且往往需要实时处理，因此更需要对模型做优化，降低计算资源需求
TDgpt 帮你提升数据分析效率和决策准确性。点击「预约演示」，探索更多可能性！
