登录社区云，与社区用户共同成长
邀请您加入社区
从院士与产业专家对 AI、数据库和数据基础设施未来的判断，到时序数据库底层内核、时序大模型训推、AI 数据生态等前沿技术，再到能源、电力、油气、船舶、轨道交通、储能、工业 AI 等真实产业现场——从平台建设、数据治理，到系统架构与 AI 价值转化，两场案例分论坛不讲抽象概念，而是回到真实项目现场，分享已经走过的路径、解决过的问题，以及仍在探索的答案。无论你更关注数据库、AI、工业数据基础设施，还是
Apache IoTDB v1.3.3.2在Kubernetes 1.24集群中的部署展示了其作为企业级时序数据库的成熟度与可靠性。通过本文提供的详细部署指南，读者可快速构建高可用、可扩展的时序数据平台，支撑物联网场景下的实时数据处理需求。未来，IoTDB将持续优化存储引擎性能，增强边缘计算能力，并深化与AIoT生态的集成。随着物联网应用的不断深化，IoTDB有望成为工业互联网领域的核心数据基础设
Apache IoTDB是清华主导的顶级时序数据库，专为工业物联网设计。创新树形模型映射物理层级，端边云协同架构大幅降本增效。相比InfluxDB，具备超高写入吞吐与压缩比，支持AI原生，是智能制造数据处理的最优解。
Apache IoTDB 作为开源时序数据库标杆，专为物联网场景设计，而 AINode 作为其原生AI节点，实现了“数据库即分析平台”的突破。AINode 可直接集成机器学习模型，通过标准SQL完成模型注册、管理与推理全流程，无需数据迁移或额外编程，支持毫秒级时序数据预测、异常检测等场景。本指南结合实操代码，从环境部署到工业级案例，手把手教你落地 AINode 应用。
本文是IoTDB性能优化实战指南，聚焦查询分析和负载均衡两大核心策略。IoTDB作为专为时序数据设计的数据库，在处理海量传感器数据时面临查询瓶颈、负载不均等挑战。文章详细解析了查询分析工具(如EXPLAIN ANALYZE)的使用方法，以及负载均衡的配置技巧，包括分区策略和均衡算法。通过实际案例展示了如何将查询延迟降低50%以上，集群吞吐提升2-3倍。核心优化秘诀包括：优先分析查询瓶颈、保持集群均
Apache IoTDB作为物联网时序数据库，创新性地引入AINode模块，支持在数据库内部直接执行机器学习模型推理，实现“数据不动模型动”的智能分析模式。该架构采用云边端一体化设计，包含轻量级边缘实例、专有TsFile存储格式和AINode推理节点。用户可通过SQL语句注册、管理和调用PyTorch模型，实现电力预测、异常检测、数据填补等场景的实时分析。IoTDB还支持与Flink等大数据生态集
本文聚焦 IoTDB 团队自研的时序大模型家族，从核心技术原理、三大模型（Timer、Timer-XL、Timer-Sundial）的特性差异入手，详细拆解了模型在时序预测、数据填补、异常检测三大核心场景的应用优势，并结合真实的 CLI 命令行操作，给出了从集群节点检查到模型可用性验证的完整部署流程，为工业物联网、能源交通等领域的时序数据分析提供了高效、通用的技术解决方案。
AINode 作为 IoTDB 原生时序 AI 节点，内置 Timer 系列等业界领先时序大模型，支持通过标准 SQL 语句完成模型注册、管理与推理全流程，无需 Python/Java 编程，更无需迁移 IoTDB 存储的数据。本文详细拆解 AINode 的核心优势、模型注册 / 调用 / 权限管理等关键操作，结合电力负载预测、变电站电压预测、民航旅客异常检测三大工业级案例，手把手演示如何通过简单
在分布式时序数据库的日常运维中，查询慢、集群负载不均是最让人头疼的两大问题。前者直接影响业务响应速度，后者则可能导致节点资源浪费或宕机风险。今天就来分享IoTDB的两大核心优化手段——查询性能分析（Explain/Explain Analyze）和Region迁移负载均衡，用实操技巧帮你搞定这两个痛点。
模型架构：采用双层优化，上层PSO优化储能配置（容量、节点），下层CPLEX优化运行策略IEEE33BW.m→main.m→solution.m→fitness.m→main.m，形成闭环优化目标一致性：上下层均以成本最小化为核心目标，确保配置与运行策略协同优化约束体系：涵盖设备物理约束（储能容量、光伏出力）、系统运行约束（潮流、电压）、经济约束（成本构成）
工业物联网的时序数据管理已从“存储需求”升级为“智能决策”的核心基础设施。Apache IoTDB通过树形数据模型、端边云架构与高性能压缩技术，为工业场景提供了低成本、高可靠的全栈解决方案。随着5G与AI技术的深度融合，IoTDB的“DB+AI”范式将进一步推动工业物联网向智能化、自治化演进。对于面临海量时序数据挑战的企业而言，选择Apache IoTDB不仅是技术选型，更是构建未来竞争力的关键一
Apache IoTDB的SQL语法简洁强大，但高效查询依赖于优化实践：始终限定时间范围、合理聚合、利用索引，并结合硬件配置。测试时，使用真实数据验证性能（如通过EXPLAIN建议参考官方文档获取最新语法细节。通过上述技巧，您能显著提升查询速度，处理高吞吐时序数据。
Apache IoTDB 是一款专为物联网场景设计的高性能时序数据库，其新增的 AINode 组件扩展了机器学习分析能力。AINode 支持单机与集群两种部署模式，通过简单 SQL 即可完成时序分析任务。安装需 Python 3.9-3.12 环境，配置参数后即可启动服务。AINode 启动后自动加入 IoTDB 集群，可通过 SQL 命令验证节点状态。常见问题包括 venv 模块缺失和 pip
Apache IoTDB 已经在各行各业落地，成为**时序数据采集、存储、智能分析**的核心组件
《时序数据库选型指南与Apache IoTDB实践》摘要： 本文针对时序数据爆发场景，提出4×4量化评估框架（写入/存储/查询/生态），重点解析Apache IoTDB的核心优势。IoTDB采用端-边-云一体化架构，支持千万级TPS写入、10:1无损压缩、毫秒级查询延迟，内置工业协议适配器和AI模型运行能力。通过车联网、风电等场景案例验证其性能，并提供Docker快速部署指南。文末给出选型行动清单
结果以对象数组的形式呈现。例如，如果你想要查询某个设备在过去一周内的温度数据，你可以用自然语言描述这个需求，大模型就会调用 read_query 函数，传入相应的 SQL 查询语句，然后返回温度数据。在没有 MCP 的情况下，大模型的功能主要局限于文本处理。MCP 技术的出现，为大语言模型的应用开辟了新的天地，通过 MCP 协议，我们正在构建一个大模型与物理世界无缝交互的新范式。你只需要用自然语言
一文读懂前沿技术：时序大模型的演进与未来！
