> ## 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.

> Função de agregação que calcula uma previsão linear no estilo do PromQL sobre dados de séries temporais na grade especificada.

# timeSeriesPredictLinearToGrid

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

Introduzido em: v25.6.0

Função de agregação que recebe dados de séries temporais como pares de timestamps e valores e calcula uma [previsão linear no estilo do PromQL](https://prometheus.io/docs/prometheus/latest/querying/functions/#predict_linear) com um offset de timestamp de previsão especificado a partir desses dados em uma grade de tempo regular descrita pelo timestamp inicial, pelo timestamp final e pelo passo. Para cada ponto na grade, as amostras para o cálculo de `predict_linear` são consideradas dentro da janela de tempo especificada.

<Note>
  Esta função é experimental; habilite-a definindo `allow_experimental_ts_to_grid_aggregate_function=true`.
</Note>

**Sintaxe**

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

**Parâmetros**

* `start_timestamp` — Especifica o início da grade. - `end_timestamp` — Especifica o fim da grade. - `grid_step` — Especifica o passo da grade, em segundos. - `staleness` — Especifica a "desatualização" máxima, em segundos, das amostras consideradas. A janela de desatualização é um intervalo aberto à esquerda e fechado à direita. - `predict_offset` — Especifica o número de segundos de deslocamento a ser adicionado ao instante da previsão.

**Argumentos**

* `timestamp` — Timestamp da amostra. Pode ser um valor individual ou um array. - `value` — Valor da série temporal correspondente ao timestamp. Pode ser um valor individual ou um array.

**Valor retornado**

Valores de `predict_linear` na grade especificada como um `Array(Nullable(Float64))`. O array retornado contém um valor para cada ponto da grade de tempo. O valor é NULL se não houver amostras suficientes dentro da janela para calcular o valor da taxa para um determinado ponto da grade.

**Exemplos**

**Calcular valores de predict\_linear na grade \[90, 105, 120, 135, 150, 165, 180, 195, 210] com um offset de 60 segundos**

```sql title=Query theme={null}
WITH
    -- NOTA: o intervalo entre 140 e 190 é para mostrar como os valores são preenchidos para ts = 150, 165, 180 de acordo com o parâmetro window
    [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 de valores correspondentes aos timestamps acima
    90 AS start_ts,       -- início da grade de timestamps
    90 + 120 AS end_ts,   -- fim da grade de timestamps
    15 AS step_seconds,   -- passo da grade de timestamps
    45 AS window_seconds, -- janela de "staleness"
    60 AS predict_offset  -- deslocamento temporal de predição
SELECT timeSeriesPredictLinearToGrid(start_ts, end_ts, step_seconds, window_seconds, predict_offset)(timestamp, value)
FROM
(
    -- Esta subconsulta converte arrays de timestamps e values em linhas de `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]                                                            │
└─────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘
```

**Mesma consulta com argumentos de array**

```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]                                                            │
└─────────────────────────────────────────────────────────────────────────────────────────────────────────────────┘
```