随着5G、人工智能和大数据等技术的发展,数据密集型工业应用需要以大规模时序数据为基础来做实时处理和分析。传统的云计算模式因具有较高的响应时延和网络带宽要求,不能适用于对时延要求苛刻的工业场景。边缘计算模式可以缓解上述问题,然而边缘计算节点有限的存储资源无法有效满足工业应用海量的时序数据存储需求。因此研究减少边缘工业时序数据产生的存储开销具有重要意义。目前减少边缘工业时序数据产生的存储开销主要面临两个问题。第一,在满足工业应用实时性的要求下实现对时序数据的高效压缩。现有的解决方案存在压缩比较低和压缩时间较长的问题。第二,工业物联网中一些极其重要的时序数据通常需要以无损的方式进行存储。现有的主流时序数据库对每一种类型的数值型数据都是以统一的格式存储,存储效率有待提升。为了解决第一个问题,本文提出了一种结合预测和编码的时序数据有损压缩算法。该算法的压缩过程由预处理、预测压缩、编码压缩三个部分组成。预处理部分考虑了时序数据相邻数据段之间的趋势相关性,通过融合具有相同趋势的数据段来降低时序数据的趋势变化对预测结果的影响。预测压缩部分基于Holt指数趋势模型,本文通过对Holt指数趋势模型引入线性拟合来提升预测准确度,同时优化了预测部分的误差计算过程从而降低了算法的整体时间复杂度。经过预测压缩部分处理后的时序数据的趋势相关性较弱,考虑到编码压缩算法更适用于压缩此类数据,本算法引入了编码压缩部分。编码压缩部分采用了LFZip算法,该算法是现有的一种典型的编码压缩算法。本文给出了对所提算法的理论性能分析和实验分析,结果均表明相比于现有方法本算法在时间开销和压缩比方面具有一定优势。为了解决第二个问题,本文提出了一种基于变长编码的时序数据无损压缩算法。考虑到小整数和小浮点数的二进制形式存在位冗余的问题,本算法采用本文提出的一种变长编码规则,该编码规则通过使用短编码替换长编码来消除冗余位。本算法首先根据编码规则对每个浮点型数据或者整型数据进行编码,然后对获取的编码进行拼接,最终使得多个数据合并成一个数据,从而实现了更加高效地利用存储空间。本文给出了对该算法的完整性证明和实验分析。证明结果表明该算法符合完整性条件;实验结果表明,相比于现有方案,该算法在时间开销和压缩比方面具有一定优势。本文基于上述的第一种算法和Influx DB时序数据库设计并实现了一个工业物联网时序数据压缩存储与管理系统。该系统考虑了实际应用场景中的功能需求,实现了对时序数据的高效管理。实验测试结果表明,相比于原始的Influx DB时序数据库该系统在数据写入时间开销方面具有显著优势。