返回资讯中心
外部精选
软件工程
#开发者实时流

tsfm-pg 发布:可在 Postgres 内用 SQL 运行 Chronos-2 与 Timestral 预测

来源标题:Show HN: Tsfm-pg: Run Chronos-2/Timestral forecasts inside Postgres with SQL

tsfm-pg 扩展让 Chronos-2 和 Timestral 模型直接在 Postgres 内运行预测,模型权重放在数据库主机上,查询无需把数据发往云端 API。它以 Zig 模块形式链接,整个扩展就是单个 tsfm.so,需要 Zig 0.17.1 和 PostgreSQL 16 或 17。模型在首次使用时懒加载,也可用 tsfm_load() 预热。

Hacker News 最新pseudocharles2026/11/12 · 6 天前30 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

tsfm-pg 在 Postgres 内部运行 tsfm-zig 预测器,支持 Chronos-2 和 Timestral checkpoint。模型和权重存放在数据库主机上,查询不会把序列发送到云 API。

引擎以 Zig 模块的形式链接:没有 C ABI,没有 dlopen,也没有第二个产物。tsfm.so 就是整个扩展。

需要 Zig 0.17.1 和 PostgreSQL 16 或 17,并带有服务器头文件。PG_HOME 是 Postgres 的安装前缀:

export PG_HOME=/path/to/postgres export PG_CONFIG="$PG_HOME/bin/pg_config" zig build -Dcpu=native -p "$PG_HOME" # 仅 CPU;GPU 见下文 "$PG_HOME/bin/psql" -U postgres -c 'CREATE EXTENSION tsfm'

安装时下载,绝不从 SQL 触发;默认 amazon/chronos-2

scripts/fetch-model.sh "$("$PG_HOME/bin/pg_config" --sharedir)/tsfm/models"

默认的 tsfm.model_dir 是 <sharedir>/tsfm/models,所以下载的 checkpoint 无需额外设置即可被找到。运行一次预测:

SELECT step, quantile, value FROM tsfm_forecast( (SELECT array_agg(value ORDER BY ts) FROM metrics WHERE name = 'sku-123'), 90) WHERE quantile IN (0.1, 0.5, 0.9) ORDER BY step, quantile;

引擎在首次使用时惰性加载。tsfm_load() 可以显式预热(对连接池有用)。引擎加载后,若要更改 tsfm.model_dir 或 tsfm.model,需要新建会话。

函数 返回 tsfm_version() text:扩展和固定引擎版本 tsfm_model_info() jsonb:模型、目录、分位数、上下文/预测长度、线程、SIMD tsfm_model_status() jsonb:配置的目录是否可用,若不可用该怎么办 tsfm_quantiles() double precision[]:模型的分位数水平 tsfm_load() boolean:显式预热 tsfm_forecast(history, horizon) TABLE(step, quantile, value) tsfm_forecast_ex(history, horizon, n_variates = 1, past = NULL, known = NULL, cat_past = NULL, cat_known = NULL) TABLE(variate, step, quantile, value) tsfm_forecast_batch(history, horizon, n_series, n_variates = 1, past = NULL, known = NULL, cat_past = NULL, cat_known = NULL) TABLE(series, variate, step, quantile, value) tsfm_forecast_matrix(history, horizon) double precision[], [step][quantile] tsfm_forecast_matrix_ex(history, horizon, n_variates = 1, past = NULL, known = NULL, cat_past = NULL, cat_known = NULL) double precision[], [variate][step][quantile] tsfm_forecast_ts(timestamps, history, horizon, step_size) TABLE(ts, step, quantile, value)

所有预测函数都是 STABLE PARALLEL RESTRICTED;tsfm_load() 是 VOLATILE。长格式以 step 为主序返回,step 从 1 开始。

history 按从旧到新排序。

NULL 和 'NaN'::float8 元素被视为缺失值。

值会转换为 float32 供引擎使用。无穷大以及超出 float32 范围的值会变成缺失值;大于 2^24 的整数会丢失精度,所以像 epoch 秒这样的大序列需要先做缩放或偏移。

数组按行主序展平: history:V × T(变量数 × 步数) past / cat_past:C × T known / cat_known:C × (T + horizon) 批处理 history:B × V × T;批处理协变量:B × C × T 或 B × C × (T + horizon)

variate 和 series 从 1 开始编号。

Chronos-2 只接受 n_variates = 1,且不接受协变量。Timestral 接受多变量以及数值/类别协变量。

按示例使用函数

表中每条序列各做一次预测。外层执行器对每个分组调用一次该函数,因此 statement_timeout、LIMIT 和取消操作可以在序列之间生效:

SELECT m.name, f.step, f.value FROM (SELECT name, array_agg(value ORDER BY ts) AS h FROM metrics GROUP BY name) m, LATERAL tsfm_forecast(m.h, 90) f WHERE f.quantile = 0.5;

两个变量,一个仅过去的协变量和一个已知未来的协变量:

SELECT variate, step, quantile, value FROM tsfm_forecast_ex( ARRAY[10, 11, 12, 20, 21, 22]::float8[], -- 2 个变量 × 3 步 2, 2, ARRAY[0, 1, 0]::float8[], -- 1 个过去协变量 × 3 ARRAY[0, 1, 0, 1, 0]::float8[], -- 1 个已知协变量 × (3 + 2) NULL, NULL) WHERE quantile IN (0.1, 0.5, 0.9);

tsfm_forecast_batch 在一次引擎调用中传入 B 条独立序列,在整个批次中复用每次权重读取。它会在每 64 条序列的分块之间检查查询取消;单次前向传播仍然不可中断:

SELECT series, step, value FROM tsfm_forecast_batch(ARRAY[/* B × 365 个值 */], 90, 100, 1) WHERE quantile = 0.5;

矩阵形式返回一个数组而不是行:

SELECT tsfm_quantiles(); SELECT tsfm_forecast_matrix(ARRAY[1, 2, 3, 4, 5]::float8[], 4); -- [step][quantile] SELECT tsfm_forecast_matrix_ex(ARRAY[1, 2, 3, 10, 20, 30]::float8[], 2, 2);

时间戳从最后一个值加上一个步长来附加:

SELECT ts, step, quantile, value FROM tsfm_forecast_ts( ARRAY['2024-01-01','2024-01-02','2024-01-03']::timestamptz[], ARRAY[10, 11, 12]::float8[], 7, interval '1 day') WHERE quantile = 0.5;

tsfm_forecast_ts 假设步长规则,不会检查间隔或日历。

CREATE EXTENSION 仅限超级用户,且扩展会撤销 PUBLIC 的 EXECUTE 权限。需要显式授予应用角色:

GRANT EXECUTE ON FUNCTION tsfm_version() TO analyst; GRANT EXECUTE ON FUNCTION tsfm_model_info() TO analyst; GRANT EXECUTE ON FUNCTION tsfm_model_status() TO analyst; GRANT EXECUTE ON FUNCTION tsfm_quantiles() TO analyst; GRANT EXECUTE ON FUNCTION tsfm_load() TO analyst; GRANT EXECUTE ON FUNCTION tsfm_forecast(double precision[], integer) TO analyst; GRANT EXECUTE ON FUNCTION tsfm_forecast_ex(double precision[], integer, integer, double precision[], double precision[], double precision[], double precision[]) TO analyst; GRANT EXECUTE ON FUNCTION tsfm_forecast_batch(double precision[], integer, integer, integer, double precision[], double precision[], double precision[], double precision[]) TO analyst; GRANT EXECUTE ON FUNCTION tsfm_forecast_matrix(double precision[], integer) TO analyst; GRANT EXECUTE ON FUNCTION tsfm_forecast_matrix_ex(double precision[], integer, integer, double precision[], double precision[], double precision[], double precision[]) TO analyst; GRANT EXECUTE ON FUNCTION tsfm_forecast_ts(timestamptz[], double precision[], integer, interval) TO analyst;

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →