在命令行中识别时间序列模型
这个例子展示了如何模拟一个时间序列,使用参数和非参数方法估计和比较时间序列模型。
生成模型和模拟模型输出
通过创建和生成时间序列数据模拟一个多项式自回归(AR)模型ts_orig
的形式
,在那里
是随机的高斯噪声。这个声音代表一个无边无际的输入到模型中。由于模型是一个时间序列,没有测量输入。
在计算之前 初始化随机数生成器的种子,这样噪音值是可重复的。
ts_orig = idpoly (-1.75 - 0.9 [1]);rng (“默认”)e = idinput (300,“该公司”);
模拟观察到的输出y_obs
这个模型和转换y_obs
到一个iddata
对象y
使用默认样本一秒钟的时间。模型输出与输入噪声的阴谋。
y_obs = sim (ts_orig e);y = iddata (y_obs);情节(e)在情节(y_obs)标题(输入噪声和原始模型输出的)传说(“该噪声”,模型输出的)举行从
估计模型和光谱进行比较
的函数etfe
和水疗中心
提供两种非参数技术进行光谱分析。比较估计功率谱etfe
和水疗中心
原始模型。
ts_etfe = etfe (y);ts_spa = spa (y);谱(ts_etfe ts_spa ts_orig);传奇(“ts_ {etfe}’,“ts_ {spa}’,“ts_{源自}’)
现在估计使用AR参数模型结构。估计二阶AR模型,并比较其与原模型和频谱水疗中心
估计。
ts_ar = ar (y, 2);谱(ts_spa ts_ar ts_orig);传奇(“ts_ {spa}’,“ts_ {ar}’,“ts_{源自}’)
AR模型谱符合原始模型谱比非参数模型更密切。
协方差估计和比较
计算协方差函数卷积的原始模型和AR模型每个模型输出与自身。
ir_orig = sim (ts_orig[1; 0(24日1)]);Ry_orig = conv (ir_orig ir_orig (25: 1:1));ir_ar = sim (ts_ar[1; 0(24日1)]);Ry_ar = conv (ir_ar ir_ar (25: 1:1));
也估计协方差变化中
直接从观察到的输出y
使用xcorr
。
一= xcorr (y.y, 24岁,“有偏见的”);
情节和比较原始和估计的协方差。
情节(24:24”* (1,3),[Ry_orig, Ry_ar, Ry]);传奇(“Ry_{源自}’,“Ry_ {ar}’,“办法”)
的协方差估计AR模型,Ry_ar
,更接近原始的协方差Ry_orig
。
预测和比较模型输出
比较三步预测精度,或者符合比例,对原始模型和AR模型,使用函数比较
。在这里,比较
计算的预期响应ts_orig
和ts_ar
模型与原模型输出数据y
,如果无节制的输入
是零。第四个参数,3
,是步骤的数量预测。
比较(y, ts_orig ts_ar 3);
传说中的百分比是百分比,这代表拟合优度。预测精度远远从100%甚至为原始模型,因为无节制的模型输入 不是占预测过程。的适应值估计AR模型是接近于原始模型,表明AR模型是一个很好的估计。