Временные ряды являются одним или несколькими измеренными выходными каналами без измеренного входа. Модель временных рядов, также названная моделью сигнала, является динамической системой, которая идентифицирована, чтобы соответствовать данному сигналу или данным временных рядов. Временные ряды могут быть многомерными, который приводит к многомерным моделям.
Временные ряды моделируются путем принятия его, чтобы быть выходом системы, которая берет белый шумовой e(t) сигнала отклонения NV как его виртуальный вход. Истинный измеренный входной размер таких моделей является нулем, и их управляющее уравнение принимает форму y(t) = He(t), где y(t) является смоделированным сигналом, и H является передаточной функцией, которая представляет отношение между y(t) и e(t). Спектр мощности временных рядов дан H* (NV *Ts) *H', где NV является шумовым отклонением, и Ts является шагом расчета модели.
Программное обеспечение System Identification Toolbox™ обеспечивает инструменты для моделирования и прогнозирования данных timeseries. Можно оценить и линейный и нелинейный черный ящик и модели серого ящика для данных временных рядов. Линейная модель временных рядов может быть полиномом (idpoly), пространство состояний (idss, или idgrey) модель. Некоторые конкретные типы моделей параметрические авторегрессивный (AR), авторегрессивное и скользящее среднее значение (ARMA) и авторегрессивные модели с интегрированным скользящим средним значением (ARIMA). Для нелинейных моделей временных рядов тулбокс поддерживает нелинейные модели ARX.
Можно оценить спектры временных рядов с помощью обоих временных и частотных диапазонов. Спектры timeseries описывают изменения временных рядов с помощью циклических компонентов на различных частотах.
Следующий пример иллюстрирует 4-й порядок авторегрессивная оценка модели для данных временных рядов:
load iddata9 sys = ar(z9,4);
Поскольку модель не имеет никаких измеренных входных параметров, size(sys,2) возвращает нуль. Управляющее уравнение sys A(q)y(t) = e(t). Можно получить доступ к полиному A использование sys.A и предполагаемое отклонение шумового e(t) с помощью sys.NoiseVariance.