时间序列分析
通过识别线性和非线性模型(如AR, ARMA,状态空间和灰盒模型),执行光谱分析和预测模型输出,分析时间序列数据
一个时间序列包含一个或多个测量输出通道但不包含测量输入的数据。时间序列模型,也称为信号模型,是为拟合给定信号或时间序列数据而确定的动态系统。时间序列可以是多元的,这就导致了多元模型。中可以识别时间序列模型系统识别应用程序或命令行。系统识别工具箱™使您能够创建和估计四种一般类型的时间序列模型。
线性参数模型-估计结构中的参数,如自回归模型和状态空间模型。
频率响应模型。使用光谱分析估计光谱模型
非线性ARX模型-估计非线性ARX结构中的参数。
灰盒模型-估计代表系统动态的常微分方程或差分方程的系数。
参数时间序列模型识别需要统一采样的时域数据,除了ARX模型可以处理频域信号。频谱分析算法支持时域和频域数据。数据可以有一个或多个输出通道,但必须没有输入通道。有关时间序列模型的更多信息,请参见什么是时间序列模型?
您可以使用已识别的模型在命令行、应用程序或Simulink中预测模型输出®.在命令行上,您还可以预测超出测量数据时间范围的模型输出。
功能
主题
关于时间序列模型
- 什么是时间序列模型?
时间序列模型,也称为信号模型,是一种动态系统,用于拟合仅包含输出通道和无输入通道的数据。 - 分析时间序列模型
学习如何分析时间序列模型。
估计模型
- 在命令行识别时间序列模型
模拟时间序列,并使用参数和非参数方法来估计和比较时间序列模型。 - 估计AR和ARMA模型
在命令行和应用程序中估计时间序列数据的多项式AR和ARMA模型。 - ARIMA模型估计
估计自回归综合移动平均(ARIMA)模型。 - 估计状态空间时间序列模型
在命令行上估计时间序列数据的状态空间模型。 - 估计时间序列功率谱
在命令行和应用程序中估计时间序列数据的功率谱。 - 估计ode的系数以拟合给定的解
利用线性和非线性灰盒模型估计模型参数。
预测模型产量
- 动态系统预测输出
使用线性和非线性模型预测时间序列数据和输入输出数据的工作流。 - 时间序列预测与预后预测
创建一个时间序列模型,并使用该模型进行预测、预测和状态估计。 - 动态系统响应预测导论“,
理解使用线性和非线性模型预测数据的概念。