Passen Sie ein Autoregressionsmodell an die Gezeitentiefendaten an
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
thingSpeakRead
|iddata
(System Identification Toolbox) |detrend
(System Identification Toolbox) |ar
(System Identification Toolbox) |getpvec
(System Identification Toolbox)