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。

体验开源预约演示

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

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。

查看用户手册

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。

演示简介：

基于 docker-compose 快速部署 TDgp 体验测试环境，使用公开的UTSD数据集里面的电力需求数据（数据集的采集频次为30分钟），作为预测算法的测试数据来源，基于历史数据预测未来若干小时的电力需求，完成 TDgpt 电力需求预测的完整流程。点击「立即体验」，快速部署 TDgpt 测试环境，并进行电力需求预测。

立即体验 →

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。

演示简介：

我们基于 docker-compose 快速部署 TDgp 体验测试环境，使用公开的UTSD数据集里面的某风场发电数据(数据集的采集频次为4秒)，作为预测算法的数据来源，基于历史数据预测未来一天内的每15分钟的发电量，完成 TDgpt 风力发电量的完整流程。点击「立即体验」，快速部署 TDgpt 测试环境，并进行风力发电预测。

立即体验 →

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。

演示简介：

我们基于 docker-compose 快速部署 TDgp 体验测试环境，使用公开的NAB数据集里亚马逊AWS东海岸数据中心一次API网关故障中，某个服务器上的CPU使用率数据。由于API网关的故障，会导致服务器上的相关应用陷入频繁的异常处理和重试，进而导致CPU使用率的异常波动。TDgpt完成了运维监控异常检测的完整流程。点击「立即体验」，快速部署 TDgpt 测试环境，并进行运维异常检测。

立即体验 →