Datos de series temporales

Oracle

-- Range partitioning by date:
CREATE TABLE measurements (
  ts TIMESTAMP, sensor_id NUMBER, value NUMBER)
PARTITION BY RANGE (ts)
INTERVAL (NUMTODSINTERVAL(1,'DAY'))
( PARTITION p0 VALUES LESS THAN (TIMESTAMP '2026-01-01 00:00:00') );

En Oracle, los datos de series temporales suelen gestionarse con particionamiento RANGE (INTERVAL); las particiones nuevas se crean automáticamente y las antiguas se eliminan con facilidad (el partition pruning acelera las consultas). También se usan la compresión (ILM/ADO) y vistas materializadas para la agregación.

PostgreSQL

-- Hypertable with the TimescaleDB extension:
CREATE EXTENSION IF NOT EXISTS timescaledb;
CREATE TABLE measurements (ts TIMESTAMPTZ, sensor_id INT, value DOUBLE PRECISION);
SELECT create_hypertable('measurements', 'ts');
-- Summarize with a continuous aggregate.

PostgreSQL puede alojar series temporales con particionamiento nativo (PARTITION BY RANGE); la extensión TimescaleDB añade hypertables con chunking automático por tiempo, compresión, políticas de retención y continuous aggregates. Es una solución habitual para grandes cargas de IoT/métricas.

MySQL

-- RANGE partitioning by date:
CREATE TABLE measurements (
  ts DATETIME, sensor_id INT, value DOUBLE,
  PRIMARY KEY (ts, sensor_id))
PARTITION BY RANGE (TO_DAYS(ts)) (
  PARTITION p2026_01 VALUES LESS THAN (TO_DAYS('2026-02-01')),
  PARTITION pmax VALUES LESS THAN MAXVALUE);

MySQL no ofrece un motor dedicado a series temporales; el particionamiento RANGE (con TO_DAYS/UNIX_TIMESTAMP) permite eliminar rápidamente los datos antiguos y el partition pruning. Para series temporales de gran volumen se suelen preferir soluciones externas (TimescaleDB, InfluxDB) o tablas resumen.

SQL Server

-- Partitioned table (partition function + scheme) or
-- system-versioned temporal table (history kept automatically):
CREATE TABLE dbo.measurements (
  id INT PRIMARY KEY, value DECIMAL(10,2),
  valid_from DATETIME2 GENERATED ALWAYS AS ROW START,
  valid_to DATETIME2 GENERATED ALWAYS AS ROW END,
  PERIOD FOR SYSTEM_TIME (valid_from, valid_to))
WITH (SYSTEM_VERSIONING = ON);

SQL Server gestiona las series temporales particionando con una partition function/scheme; esto proporciona pruning y un archivado rápido para datos que abarcan amplios rangos de fechas. Además, las system-versioned temporal tables (SYSTEM_VERSIONING) conservan automáticamente el historial de cambios de las filas y permiten consultas point-in-time (FOR SYSTEM_TIME).

MongoDB

// Time-series collection (MongoDB 5.0+):
db.createCollection("measurements", {
  timeseries: {
    timeField: "ts",
    metaField: "sensor_id",
    granularity: "seconds"
  }
})

Las time-series collections, introducidas en MongoDB 5.0, almacenan automáticamente los datos en un formato comprimido de tipo columnar (por buckets) según el tiempo y el campo meta; reducen el uso de disco e índices y aceleran las consultas por rango. timeField es obligatorio; metaField (origen/etiqueta) y granularity determinan el rendimiento.

Redis

# Requires the RedisTimeSeries module (Redis Stack).
# Create a series with a retention period:
TS.CREATE sensor:1 RETENTION 86400000 LABELS type temperature
# Add a sample (with an automatic timestamp):
TS.ADD sensor:1 * 23.5

Redis básico no tiene un tipo de series temporales; el módulo RedisTimeSeries (Redis Stack) proporciona ingesta de muestras a alta velocidad con TS.CREATE/TS.ADD, retención automática (RETENTION), downsampling (TS.CREATERULE) y consultas por rango basadas en etiquetas con TS.RANGE/TS.MRANGE. Sin el módulo, se emula con un Sorted Set.

Elasticsearch

# Data stream: automatically rolling indexes for time series
PUT _index_template/measurements-tpl
{ "index_patterns": ["measurements*"], "data_stream": {},
  "template": {
    "settings": { "index.mode": "time_series", "index.routing_path": ["sensor_id"] },
    "mappings": { "properties": {
      "@timestamp": { "type": "date" },
      "sensor_id": { "type": "keyword", "time_series_dimension": true },
      "temperature": { "type": "double", "time_series_metric": "gauge" } } } } }
PUT _data_stream/measurements

Elasticsearch gestiona los datos de series temporales con data streams; con el tiempo se crean automáticamente nuevos backing indexes (rollover) e ILM mueve los datos antiguos por los niveles hot/warm/cold y los elimina. TSDS (index.mode: time_series) proporciona optimizaciones de almacenamiento específicas para datos de métricas; son obligatorios al menos un campo time_series_dimension, un index.routing_path que apunte a él y un campo @timestamp (de lo contrario, la plantilla se rechaza).