IoTDB AINode：基于 SQL 的时序 AI 全流程实战

启动与状态检测

通过脚本启动 AINode 并验证运行状态：

# 启动 AINode（Linux/Mac）
sbin/start-ainode.sh
# 停止 AINode（如需）
# sbin/stop-ainode.sh
# 检测节点状态（成功则返回 ACTIVE）
curl http://localhost:8080/health
# 或查看日志确认启动状态
tail -f logs/ainode.log

若启动报错'找不到 venv 模块'，需安装对应依赖：sudo apt install python3-venv（Ubuntu）。

模型管理核心操作（SQL 实现）

AINode 支持通过标准 SQL 完成模型的注册、查询、删除全生命周期管理，无需编写 Python/Java 代码。

3.1 模型注册（CREATE MODEL）

注册模型需提供模型文件路径（本地/远程）与配置文件，以下分两种场景演示。

场景 1：本地模型注册

假设本地 /models/dlinear 目录下存在 model.pt 与 config.yaml，配置文件内容如下：

# config.yaml
configs:
  # 必选项：输入 96 个时间步×2 个特征，输出 48 个时间步×2 个特征
  input_shape: (96, 2)
  output_shape: (48, 2)
  # 可选项：数据类型（默认全为 float32）
  input_type: ("float32", "float32")
  output_type: ("float32", "float32")
  # 自定义备注信息
  attributes:
    model_type: "dlinear"
    scenario: "power_load_forecast"

执行 SQL 注册模型：

-- 注册本地模型，模型 ID 全局唯一
CREATE MODEL dlinear_power_forecast USING URI 'file:///models/dlinear';

场景 2：远程模型注册（HuggingFace）

直接从 HuggingFace 仓库注册公开时序模型：

-- 注册 HuggingFace 上的 TimesFM 模型
CREATE MODEL timesfm_forecast USING URI 'https://huggingface.co/google/timesfm-2.0-500m-pytorch';

模型注册为异步过程，可通过以下 SQL 查看注册状态。

3.2 模型查询与状态检查（SHOW MODELS）

查看所有已注册模型的详情，包括状态、配置等信息：

-- 查看所有模型
SHOW MODELS;
-- 查看指定模型详情（按 ID 过滤）
SHOW MODELS WHERE ModelId = 'dlinear_power_forecast';

返回结果中 State 字段含义：

• LOADING：模型加载中（耗时取决于文件大小）
• ACTIVE：模型就绪，可执行推理
• INACTIVE：模型不可用（需检查配置）

3.3 模型删除（DROP MODEL）

删除不再使用的模型，释放资源（操作不可逆）：

-- 删除指定模型
DROP MODEL dlinear_power_forecast;
-- 批量删除（需确认状态为 ACTIVE/INACTIVE）
DROP MODEL timesfm_forecast;

实战案例：时序数据推理全流程

以'电力负载预测'为例，基于已注册的 DLinear 模型，通过 SQL 完成实时推理，预测未来 24 小时电网负载。

4.1 数据准备

假设 IoTDB 中存储电网数据，路径为 root.energy.grid，包含字段：

• load：电网负载（单位：kW），float 类型
• temperature：环境温度（单位：℃），float 类型

插入测试数据（模拟 7 天历史数据）：

-- 插入测试数据（时间戳格式：yyyy-MM-dd HH:mm:ss）
INSERT INTO root.energy.grid(timestamp, load, temperature) VALUES ('2026-01-10 00:00:00', 1200.5, 15.2), ('2026-01-10 01:00:00', 1180.3, 14.8), -- ... 省略中间数据，共 168 条（7 天×24 小时） ('2026-01-16 23:00:00', 1250.7, 16.1);

4.2 实时推理（CALL INFERENCE）

调用已注册的模型，基于历史数据预测未来 24 小时负载，使用 CALL INFERENCE 函数：

-- 电力负载预测：基于过去 7 天数据，预测未来 24 小时负载
CALL INFERENCE(
  'dlinear_power_forecast', -- 模型 ID
  inputSql => 'SELECT load, temperature FROM root.energy.grid WHERE time > NOW() - 7d', -- 输入数据 SQL
  predict_length => 24 -- 预测步数（与模型 output_shape 匹配）
);

4.3 推理结果解析

推理结果以表格形式返回，包含预测时间戳、负载预测值、温度关联预测值：

可直接将结果插入 IoTDB 新路径，用于可视化或下游系统调用：

-- 将预测结果存入新路径
INSERT INTO root.energy.grid_pred(timestamp, load_pred, temperature_pred)
SELECT timestamp, load_pred, temperature_pred
FROM CALL INFERENCE(
  'dlinear_power_forecast',
  inputSql => 'SELECT load, temperature FROM root.energy.grid WHERE time > NOW() - 7d',
  predict_length => 24
);

常见问题与排查

5.1 启动类问题

• SSL 模块错误：执行 pip3 install pyopenssl 安装 SSL 依赖
• pip 版本过低：升级 pip：pip3 install --upgrade pip

5.2 模型注册类问题

• 注册超时：远程模型文件过大，建议先下载至本地再注册
• 配置文件错误：检查 config.yaml 中 input_shape 与模型实际输入是否一致

5.3 推理类问题

• 输入维度不匹配：确保 inputSql 查询结果的列数与 input_shape 第二维度一致
• 数据类型错误：调整 config.yaml 中 input_type 与数据实际类型匹配

总结

IoTDB AINode 打破了传统'存储 - 分析'分离的架构，通过 SQL 原生驱动 AI 能力，让时序数据的智能分析无需跨系统协作。关键在于把握'模型格式规范'与'SQL 函数调用'两大核心。后续可结合内置 Timer 系列模型，拓展异常检测、缺失值填补等场景，实现更丰富的时序 AI 应用。