时序分析 时序分析简介 资产时序探索 设置时间窗 时序洞察 收藏夹 自动刷新

查看更多 →

时序分析简介 概念简介 功能简介 父主题： 时序分析

查看更多 →

时序分析常见问题 如何查看设备最新上报的原始数据 设备时序探索中找不到设备 设备时序探索中没有标签 看不到设备上报的数据 如何创建和修改存储 父主题： 数据分析常见问题

查看更多 →

时序路径分析（Temporal Paths） 功能介绍 根据输入参数，执行时序路径分析算法。 注意：两点之间仅返回一条满足条件的时序路径。 URI POST /ges/v1.0/{project_id}/graphs/{graph_name}/dynamicgraphs/action

查看更多 →

时序路径分析（Temporal Paths） 概述 时序路径分析算法（Temporal Paths）区别于静态图上的路径分析，结合了动态图上信息传播的有序性，路径上后一条边的经过时间要晚于或等于前一条边，呈现时间递增（或非减）性。 时序路径不满足传递性：即从节点i到节点j有一条时

查看更多 →

机器学习端到端场景 本章节以图像分类为例，阐述机器学习端到端场景的完整开发过程，主要包括数据标注、模型训练、服务部署等过程。您可以前往AI Gallery搜索订阅预置的“图像分类-ResNet_v1_50工作流”进行体验。 准备工作 准备一个图像分类算法（或者可以直接从AI Ga

查看更多 →

时序洞察 预览列表展示 原始数据查看 图表探索分析 父主题： 时序分析

查看更多 →

时序预测 请参考数据集章节，将本地的时序数据导入至模型训练服务。 本节以数据集“KPI”， 数据实例 “data”为例，进行后续操作说明。数据集data一共有6列特征，分别为time、col_1、col_2、col_3、col_4、col_5。其中“time”为时间列，后面五列为KPI特征列。

查看更多 →

时序路径 从一个点出发搜索到目标节点的时序路径（时序路径满足动态图上信息传播的有序性，路径上后一条边的经过时间要晚于或等于前一条边的经过时间），在画布上呈现点、边随时间递增（或非减）的变化趋势。 该功能可以通过strategy参数调整搜索的是距离最短的时序路径，还是尽早到达目标节点的时序路径。具体操作步骤如下：

查看更多 →

使用MLS预置算链进行机器学习建模 本章节介绍如何通过一键运行预置的餐厅经营销售量预测算链，完成建模，帮助开发者快速了解MLS的建模过程。 前提条件 已经创建一个基于MLStudio的Notebook镜像，并进入MLS Editor可视化编辑界面，具体参考进入ML Studio操作界面章节。

查看更多 →

资产时序探索 选择根资产 选择资产 选择属性 父主题： 时序分析

查看更多 →

时序预测-time_series_v2算法部署在线服务预测报错 问题现象 在线服务预测报错：ERROR: data is shorter than windows。 原因分析 该报错说明预测使用的数据行数小于window超参值。 在使用订阅算法时序预测-time_series_v

查看更多 →

Series）数据。通过这些时序数据不仅能了解物体的实时状态，而且还能从多个维度分析目标对象的趋势和规律等，甚至能够预测不确定的未来。 GaussDB (DWS)的IoT数仓提供自研的时序引擎，提供扩展的时序场景语法，以及分区管理、时序计算、时序生态函数等服务功能，基于时序表提供时序计算能力。 与标准数仓的区别

查看更多 →

一个季度或者一年前的数据极少访问。 多维分析 时序数据来自不同个体且拥有不同属性。例如在监控场景下，通过对某个集群上每台机器的网络流量监控，可以查询分析某台机器的网络流量，也可以同时查询集群总的网络流量。 应用场景 典型IoT数仓主要服务两类业务场景，应用性能监控（Application

查看更多 →

查询时序数据 功能介绍 该接口用于查询指定时间范围内的监控时序数据，可以通过参数指定需要查询的数据维度，数据周期等。 调用方法 请参见如何调用API。 URI POST /v2/{project_id}/samples 表1 路径参数 参数 是否必选 参数类型 描述 project_id

查看更多 →

查询时序数据 场景描述 本章以查询一个节点的CPU使用率时序数据为例。 涉及的基本信息 查询时序数据前，需要确定节点的ID和集群ID的值，节点ID值可以在E CS 的dimensions中查看，集群ID值可以在CCE的“集群管理”页面，基本信息的dimensions中查看。 因指标格

查看更多 →

快速创建时序表 场景介绍 时序表继承普通表的行存和列存语法，降低了用户学习成本，易理解和使用。 时序表具备数据生命周期管理的能力，每天各种维度的数据爆炸式增长，需要定期给表增加新的分区，避免新数据无法存储。而对于很久之前的数据，其价值较低且不经常访问，可以定期删除无用的数据。因此

查看更多 →

可信联邦学习作业是 可信智能计算服务 提供的在保障用户数据安全的前提下，利用多方数据实现的联合建模，曾经也被称为联邦机器学习。 横向联邦机器学习 横向联邦机器学习，适用于参与者的数据特征重叠较多，而样本ID重叠较少的情况，联合多个参与者的具有相同特征的多行样本进行联邦机器学习，联合建模。

查看更多 →

快速创建时序表 场景介绍 时序表继承普通表的行存和列存语法，降低了用户学习成本，易理解和使用。 时序表具备数据生命周期管理的能力，每天各种维度的数据爆炸式增长，需要定期给表增加新的分区，避免新数据无法存储。而对于很久之前的数据，其价值较低且不经常访问，可以定期删除无用的数据。因此

查看更多 →

单击图标，运行“缺失时间填充”代码框内容。 时序数据排序 时序数据排序即根据给定的参数对时间序列进行排序。 操作步骤如下所示。 单击界面右上角的图标，选择“数据处理 > 时序数据处理 > 时序数据排序”，界面新增“时序数据排序”内容。 对应参数说明，如表2所示。 表2 参数说明 参数 参数说明 时间列 时序数据时间

查看更多 →

时序预测学件 创建项目 时序预测 父主题： 学件开发指南

查看更多 →