TDgpt
主要亮点
简单易用
无需训练
精细微调
实时处理
![架构图-11 TDgpt - TDengine Database 时序数据库](https://www.taosdata.com/wp-content/uploads/2024/07/架构图-11.png)
设备预测性维护
![设备预测性维护-1 TDgpt - TDengine Database 时序数据库](https://www.taosdata.com/wp-content/uploads/2024/07/设备预测性维护-1.webp)
设备异常检测
![设备异常检测 TDgpt - TDengine Database 时序数据库](https://www.taosdata.com/wp-content/uploads/2024/07/设备异常检测.jpg)
可再生能源整合
![可再生能源整合 TDgpt - TDengine Database 时序数据库](https://www.taosdata.com/wp-content/uploads/2024/07/可再生能源整合.png)
能耗管理
![Futuristic Technology Retail Warehouse: Digitalization and Visualization of Industry 4.0 Process that Analyzes Goods, Cardboard Boxes, Products Delivery Infographics in Logistics, Distribution Center TDgpt - TDengine Database 时序数据库](https://www.taosdata.com/wp-content/uploads/2024/07/能耗管理.jpg)
质量控制改进
![quality control TDgpt - TDengine Database 时序数据库](https://www.taosdata.com/wp-content/uploads/2024/07/quality-control.jpg)
产量以及用量预测
![石油产量预测 TDgpt - TDengine Database 时序数据库](https://www.taosdata.com/wp-content/uploads/2024/07/石油产量预测.jpeg)
只需一行 SQL,轻松搞定时序数据大模型
时序数据预测
forecast(ts, val, num[, confidence-level][, 'option str'])
taos> select _rowts, forecast(ts, val, 300) from demo.d100;
![时序数据预测 TDgpt - TDengine Database 时序数据库](https://www.taosdata.com/wp-content/uploads/2024/07/时序数据预测-1.jpeg)
时序数据异常检测
anomaly(ts, val[, confidence-level][, 'option str'])
taos> select _rowts, anomaly(ts, val, 99) as anomaly from demo.d200;
![时序数据异常检测 TDgpt - TDengine Database 时序数据库](https://www.taosdata.com/wp-content/uploads/2024/07/时序数据异常检测-1.jpeg)
历史校正函数
historic(ts, val, interval, [, confidence-level][, 'option str'])
时序大模型的挑战
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
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
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
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