Zeitreihenanalyse
Eine Zeitreihe ist Daten, die einen oder mehrere gemessene Ausgangskanäle, aber keinen gemessenen Eingang aufweisen. Ein Zeitreihenmodell, auch als Signalmodell bezeichnet, ist ein dynamisches System, das zu einem bestimmten Signal oder bestimmten Zeitreihendaten passt. Die Zeitreihe kann multivariat sein, was zu multivariaten Modellen führt. Sie können Zeitreihenmodelle in der App System Identification oder über die Befehlszeile identifizieren. Mit System Identification Toolbox™ können Sie vier allgemeine Typen von Zeitreihenmodellen erstellen und schätzen.
Lineare parametrische Modelle – Schätzen von Parametern in Strukturen wie autoregressiven Modellen und Zustandsraum-Modellen.
Frequenzgangmodelle – Schätzen von Spektralmodellen mithilfe von Spektralanalyse.
Nicht lineare ARX-Modelle – Schätzen von Parametern in der nicht linearen ARX-Struktur.
Grey-Box-Modelle – Schätzen von Koeffizienten der gewöhnlichen Differenzial- oder Differenzgleichungen, die Ihre Systemdynamik darstellen.
Für eine parametrische Zeitreihenmodell-Identifikation werden einheitlich abgetastete Zeitdomänendaten benötigt, außer bei dem ARX-Modell, das Frequenzdomänen-Signale verarbeiten kann. Spektralanalyse-Algorithmen unterstützen Zeitdomänen- und Frequenzdomänendaten. Ihre Daten können über einen oder mehrere Ausgangskanäle verfügen und dürfen nicht über Eingangskanäle verfügen. Weitere Informationen zu Zeitreihenmodellen finden Sie unter What Are Time Series Models?
Über die Befehlszeile, die App oder Simulink® können Sie den Modellausgang mithilfe der identifizierten Modelle prognostizieren. Über die Befehlszeile können Sie zudem den Modellausgang über den Zeitbereich der gemessenen Daten hinaus prognostizieren.
Funktionen
Themen
Über Zeitreihenmodelle
- What Are Time Series Models?
A time series model, also called a signal model, is a dynamic system that is identified to fit data that includes only output channels and no input channels. - Analyze Time-Series Models
Learn how to analyze time series models.
Schätzen von Modellen
- Identify Time Series Models at the Command Line
Simulate a time series and use parametric and nonparametric methods to estimate and compare time-series models. - Estimate AR and ARMA Models
Estimate polynomial AR and ARMA models for time series data at the command line and in the app. - Estimate ARIMA Models
Estimate autoregressive integrated Moving Average (ARIMA) models. - Estimate State-Space Time Series Models
Estimate state-space models for time series data at the command line. - Estimate Time-Series Power Spectra
Estimate power spectra for time series data at the command line and in the app. - Estimate Coefficients of ODEs to Fit Given Solution
Estimate model parameters using linear and nonlinear grey-box modeling.
Prognostizieren des Modellausgangs
- Forecast Output of Dynamic System
Workflow for forecasting time series data and input-output data using linear and nonlinear models. - Time Series Prediction and Forecasting for Prognosis
Create a time series model and use the model for prediction, forecasting, and state estimation. - Introduction to Forecasting of Dynamic System Response
Understand the concept of forecasting data using linear and nonlinear models.
Enthaltene Beispiele
Modeling Current Signal from an Energizing Transformer
The modeling of a measured signal.
Spectrum Estimation Using Complex Data - Marple's Test Case
Perform spectral estimation on time series data. We use Marple's test case (The complex data in L. Marple: S.L. Marple, Jr, Digital Spectral Analysis with Applications, Prentice-Hall, Englewood Cliffs, NJ 1987.)
Forecast Multivariate Time Series
Perform multivariate time series forecasting of data measured from predator and prey populations in a prey crowding scenario. The predator-prey population-change dynamics are modeled using linear and nonlinear time series models. Forecasting performance of these models is compared.
Classical Pendulum: Some Algorithm-Related Issues
How the estimation algorithm choices may impact the results for a nonlinear grey box model estimation.
