La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.
Analyse des séries temporelles
Une série temporelle est une donnée qui contient un ou plusieurs canaux de sortie mesurés mais pas d'entrée mesurée. Un modèle de série temporelle, également appelé modèle de signal, est un système dynamique identifié pour s'adapter à un signal donné ou à des données de série temporelle. Les séries temporelles peuvent être multivariées, donnant naissance à des modèles multivariés. Vous pouvez identifier les modèles de séries temporelles dans l'application System Identification ou au niveau de la ligne de commande. System Identification Toolbox™ vous permet de créer et d'estimer quatre types généraux de modèles de séries temporelles.
Modèles paramétriques linéaires : estimez les paramètres dans des structures telles que des modèles autorégressifs et de représentation d'état.
Modèles de réponse en fréquence : estimez les modèles spectraux avec une analyse spectrale.
Modèles ARX non linéaires : estimez les paramètres de la structure ARX non linéaire.
Modèles de type boîte grise : estimez les coefficients d’équations différentielles ordinaires ou aux différences qui représentent la dynamique de votre système.
L'identification de modèles de séries temporelles paramétriques nécessite des données dans le domaine temporel, échantillonnées de manière uniforme, à l’exception du modèle ARX qui peut gérer les signaux du domaine fréquentiel. Les algorithmes d'analyse spectrale prennent en charge les données des domaines temporel et fréquentiel. Vos données peuvent avoir un ou plusieurs canaux de sortie et ne doivent pas avoir de canal d'entrée. Pour plus d'informations sur les modèles de séries temporelles, consultez What Are Time Series Models?.
Vous pouvez utiliser les modèles identifiés pour prédire la sortie de modèle au niveau de la ligne de commande, dans l’application ou dans Simulink®. La ligne de commande permet également de prévoir les sorties du modèle au-delà de la plage temporelle des données mesurées.
Fonctions
Rubriques
À propos des modèles de séries temporelles
- 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.
Estimer les modèles
- 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.
Prévoir la sortie du modèle
- 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.
Sélection d՚exemples
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.
