> ## Documentation Index
> Fetch the complete documentation index at: https://private-7c7dfe99-mintlify-8c05c8a2.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

> Fonction d’agrégation qui calcule une prédiction linéaire de type PromQL sur des séries temporelles selon la grille spécifiée.

# timeSeriesPredictLinearToGrid

<div id="timeSeriesPredictLinearToGrid">
  ## timeSeriesPredictLinearToGrid
</div>

Introduit dans : v25.6.0

Fonction d'agrégation qui prend des données de séries temporelles sous forme de paires d'horodatages et de valeurs, et calcule une [prédiction linéaire de type PromQL](https://prometheus.io/docs/prometheus/latest/querying/functions/#predict_linear) avec un décalage d'horodatage de prédiction spécifié à partir de ces données, sur une grille temporelle régulière définie par un horodatage de début, un horodatage de fin et un pas. Pour chaque point de la grille, les échantillons utilisés pour le calcul de `predict_linear` sont pris en compte dans la fenêtre temporelle spécifiée.

<Note>
  Cette fonction est expérimentale. Pour l’activer, définissez `allow_experimental_ts_to_grid_aggregate_function=true`.
</Note>

**Syntaxe**

```sql theme={null}
timeSeriesPredictLinearToGrid(start_timestamp, end_timestamp, grid_step, staleness, predict_offset)(timestamp, value)
```

**Paramètres**

* `start_timestamp` — Spécifie le début de la grille. - `end_timestamp` — Spécifie la fin de la grille. - `grid_step` — Spécifie le pas de la grille, en secondes. - `staleness` — Spécifie l’ancienneté maximale (« staleness »), en secondes, des échantillons pris en compte. La fenêtre de staleness est un intervalle ouvert à gauche et fermé à droite. - `predict_offset` — Spécifie le nombre de secondes de décalage à ajouter à l’instant de prédiction.

**Arguments**

* `timestamp` — Horodatage de l’échantillon. Peut être une valeur individuelle ou un tableau. - `value` — Valeur de la série temporelle correspondant à l’horodatage. Peut être une valeur individuelle ou un tableau.

**Valeur renvoyée**

Les valeurs `predict_linear` sur la grille spécifiée sous forme d'`Array(Nullable(Float64))`. Le tableau retourné contient une valeur pour chaque point de la grille temporelle. La valeur est NULL s'il n'y a pas suffisamment d'échantillons dans la fenêtre pour calculer la valeur du taux pour un point de grille donné.

**Exemples**

**Calculer les valeurs predict\_linear sur la grille \[90, 105, 120, 135, 150, 165, 180, 195, 210] avec un décalage de 60 secondes**

```sql title=Query theme={null}
WITH
    -- NOTE: the gap between 140 and 190 is to show how values are filled for ts = 150, 165, 180 according to window parameter
    [110, 120, 130, 140, 190, 200, 210, 220, 230]::Array(DateTime) AS timestamps,
    [1, 1, 3, 4, 5, 5, 8, 12, 13]::Array(Float32) AS values, -- array of values corresponding to timestamps above
    90 AS start_ts,       -- start of timestamp grid
    90 + 120 AS end_ts,   -- end of timestamp grid
    15 AS step_seconds,   -- step of timestamp grid
    45 AS window_seconds, -- "staleness" window
    60 AS predict_offset  -- prediction time offset
SELECT timeSeriesPredictLinearToGrid(start_ts, end_ts, step_seconds, window_seconds, predict_offset)(timestamp, value)
FROM
(
    -- This subquery converts arrays of timestamps and values into rows of `timestamp`, `value`
    SELECT
        arrayJoin(arrayZip(timestamps, values)) AS ts_and_val,
        ts_and_val.1 AS timestamp,
        ts_and_val.2 AS value
);
```

```response title=Response theme={null}
┌─timeSeriesPredictLinearToGrid(start_ts, end_ts, step_seconds, window_seconds, predict_offset)(timestamp, value)─┐
│ [NULL,NULL,1,9.166667,11.6,16.916666,NULL,NULL,16.5]                                                            │
└─────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘
```

**Même requête avec des arguments de type tableau**

```sql title=Query theme={null}
WITH
    [110, 120, 130, 140, 190, 200, 210, 220, 230]::Array(DateTime) AS timestamps,
    [1, 1, 3, 4, 5, 5, 8, 12, 13]::Array(Float32) AS values,
    90 AS start_ts,
    90 + 120 AS end_ts,
    15 AS step_seconds,
    45 AS window_seconds,
    60 AS predict_offset
SELECT timeSeriesPredictLinearToGrid(start_ts, end_ts, step_seconds, window_seconds, predict_offset)(timestamps, values);
```

```response title=Response theme={null}
┌─timeSeriesPredictLinearToGrid(start_ts, end_ts, step_seconds, window_seconds, predict_offset)(timestamp, value)─┐
│ [NULL,NULL,1,9.166667,11.6,16.916666,NULL,NULL,16.5]                                                            │
└─────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘
```