Análisis de series temporales
Una serie temporal son datos que contienen uno o más canales de salidas medidas, pero ninguna entrada medida. Un modelo de series temporales, también denominado modelo de señales, es un sistema dinámico que está identificado para ajustar datos de señales o de series temporales dados. Las series temporales pueden ser multivariante, lo que genera modelos multivariantes. Puede identificar modelos de series temporales en la app System Identification o en la línea de comandos. System Identification Toolbox™ permite crear y estimar cuatro tipos generales de modelos de series temporales.
Modelos paramétricos lineales: estime parámetros en estructuras como modelos autorregresivos y modelos de espacio de estados.
Modelos de respuesta en frecuencia: estime modelos espectrales utilizando el análisis del espectro.
Modelos ARX no lineales: estime parámetros en la estructura ARX no lineal.
Modelos de caja gris: estime los coeficientes de ecuaciones diferenciales o de diferencias ordinarias que representan la dinámica del sistema.
La identificación de modelos de series temporales paramétricos requiere datos del dominio del tiempo muestreados de manera uniforme, salvo para el modelo ARX, que puede gestionar señales del dominio de la frecuencia. Los algoritmos de análisis del espectro son compatibles con los datos del dominio del tiempo y de la frecuencia. Los datos pueden tener uno o más canales de salida y no deben tener canal de entrada. Para obtener más información sobre modelos de series temporales, consulte What Are Time Series Models?
Puede utilizar los modelos identificados para predecir salidas de modelo en la línea de comandos, en la app o en Simulink®. En la línea de comandos, también puede pronosticar salidas de modelo más allá del intervalo de tiempo de los datos medidos.
Funciones
Temas
Acerca de los modelos de series temporales
- 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.
Realizar la estimación de modelos
- 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.
Pronosticar salidas de modelo
- 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.
Ejemplos destacados
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.
