Analisi delle serie temporali
Una serie temporale è un dato che contiene uno o più canali di output misurati ma nessun input misurato. Un modello di serie temporale, chiamato anche modello di segnale, è un sistema dinamico che viene identificato per adattarsi a un dato segnale o a dati di serie temporali. Le serie temporali possono essere di tipo multivariato, determinando quindi modelli multivariati. È possibile identificare i modelli delle serie temporali nell'app System Identification o dalla riga di comando. System Identification Toolbox™ consente di creare e stimare quattro tipi generali di modelli di serie temporali.
Modelli parametrici lineari: stimare i parametri in strutture, quali i modelli autoregressivi e i modelli stato-spazio.
Modelli di risposta in frequenza: stimare modelli spettrali utilizzando l'analisi spettrale.
Modelli ARX non lineari: stimare i parametri della struttura ARX non lineare.
Modelli grey-box: stimare i coefficienti delle equazioni differenziali ordinarie o di differenza che rappresentano la dinamica del sistema.
L'identificazione dei modelli parametrici delle serie temporali richiede la presenza di dati di campionamento uniformi nel dominio del tempo, eccetto per il modello ARX che può gestire i segnali nel dominio della frequenza. Gli algoritmi di analisi spettrale supportano i dati nel dominio del tempo e nel dominio della frequenza. I dati possono avere uno o più canali di output e non devono avere alcun canale di input. Per ulteriori informazioni sui modelli delle serie temporali, vedere What Are Time Series Models?
È possibile utilizzare i modelli identificati per prevedere l'output del modello dalla riga di comando, nell'applicazione o in Simulink®. Dalla riga di comando è inoltre possibile prevedere gli output del modello oltre l'intervallo di tempo dei dati misurati.
Funzioni
Argomenti
Informazioni sui modelli delle serie temporali
- 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.
Stima dei modelli
- 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.
Previsione dell'output del modello
- 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.
Esempi in primo piano
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.
