Diese Seite wurde mithilfe maschineller Übersetzung übersetzt. Klicken Sie hier, um die neueste Version auf Englisch zu sehen.

Passen Sie ein Autoregressionsmodell an die Gezeitentiefendaten an

In diesem Beispiel verwendet:

Script öffnen

Dieses Beispiel zeigt, wie Sie ein Autoregressionsmodell (AR) für Daten in Ihrem ThingSpeak™ -Kanal anpassen und die Regressionsparameter zusammen mit ihren Unsicherheiten berechnen. Autoregressionsmodelle werden verwendet, um einen zeitabhängigen Prozess in der Natur darzustellen.

Lesen Sie Daten vom Ockway Bay Echtzeit-Gezeitenmesser

Der ThingSpeak Kanal 50289 enthält Daten zur Gezeitentiefe in der Ockway Bay. Die Daten werden alle 5 Minuten erfasst. Feld 1 des Kanals enthält Gezeitentiefendaten.

% Read the data using the |thingSpeakRead| function from channel 50289 on a particular day, for example, July 01, 2016.

startDate = datetime('July 1, 2016 12:01:00 AM');
endDate = datetime('July 2, 2016 12:01:00 AM');
dateRange = startDate:endDate;
[data,timestamps] = thingSpeakRead(50289,'DateRange',dateRange,'Fields',1);

Passen Sie ein AR-Modell an die Daten an

Verwenden Sie die Funktion iddata , um ein iddata-Objekt der Gezeitentiefendaten zu erstellen. Verwenden Sie detrend , um sicherzustellen, dass die Daten einen Mittelwert von Null haben.

sampleTime = 5;
IDdata = iddata(data,[],sampleTime,'OutputName',{'Tidal Depth'},'TimeUnit','minutes')
IDdata = detrend(IDdata,0);

IDdata =

Time domain data set with 288 samples.
Sample time: 5 minutes                 
                                       
Outputs           Unit (if specified)  
   Tidal Depth

Modell an Daten anpassen

Da die Gezeitentiefe mit der Zeit variiert, verwenden Sie die Funktion ar , um ein zeitdiskretes autoregressives Modell an die Daten anzupassen.

modelOrder = 8;
sys = ar(IDdata,modelOrder)

sys =
Discrete-time AR model: A(z)y(t) = e(t)                                   
                                                                          
  A(z) = 1 - 1.154 z^-1 - 0.1668 z^-2 + 0.2144 z^-3 + 0.2974 z^-4         
                   - 0.4227 z^-5 + 0.1509 z^-6 - 0.1612 z^-7 + 0.2491 z^-8
                                                                          
Sample time: 5 minutes
  
Parameterization:
   Polynomial orders:   na=8
   Number of free coefficients: 8
   Use "polydata", "getpvec", "getcov" for parameters and their uncertainties.

Status:                                                    
Estimated using AR ('fb/now') on time domain data "IDdata".
Fit to estimation data: 98.5%                              
FPE: 0.04741, MSE: 0.04485

Parameter anzeigen

Verwenden Sie die Funktion getpvec , um die geschätzten Parameter zusammen mit ihren Unsicherheiten anzuzeigen.

[Parameters,Uncertainties] = getpvec(sys)

Parameters =

   -1.1543
   -0.1668
    0.2144
    0.2974
   -0.4227
    0.1509
   -0.1612
    0.2491


Uncertainties =

    0.0580
    0.0918
    0.0932
    0.0918
    0.0921
    0.0970
    0.0962
    0.0647

Die Ausgabe zeigt die geschätzten AR-Modellparameter und den einen Standardabweichungswert der geschätzten Parameter.

Parameter in ThingSpeak schreiben

Verwenden Sie die Funktion thingSpeakWrite , um das Wertearray mit einem Wert pro Feld in ThingSpeak zu schreiben. Transponieren Sie die Daten auf 8 x 1. Ändern Sie channelID und writeAPIKey , um Daten an Ihren Kanal zu senden.

channelID=17504;
writeAPIKey='23ZLGOBBU9TWHG2H';
response = thingSpeakWrite(channelID,'Values',Parameters','WriteKey',writeAPIKey)

response = 

  struct with fields:

         Field1: '-1.154266029802091'
         Field2: '-0.1668388400729965'
         Field3: '0.2143807521019717'
         Field4: '0.2973816840220466'
         Field5: '-0.4226981725238166'
         Field6: '0.1509427726183032'
         Field7: '-0.1612303290788889'
         Field8: '0.2490548535561231'
       Latitude: []
      Longitude: []
      ChannelID: 17504
        Created: 10-Jan-2019 15:10:41
    LastEntryID: 20736
       Altitude: []

Siehe auch

Funktionen