Vector autoregressive moving average com exógenos insumos

Um modelo híbrido de modelo autoregressivo não-linear com entrada exógena e modelo de média móvel autorregressiva para a previsão de longo prazo do estado de máquina Este artigo apresenta uma melhoria do modelo híbrido de auto-regressão não linear com modelo de entrada exógena (NARX) Previsão do estado da máquina com base em dados de vibração. Neste estudo, os dados de vibração são considerados como uma combinação de dois componentes que são dados determinísticos e erro. O componente determinístico pode descrever o índice de degradação da máquina, enquanto o componente de erro pode representar o aparecimento de partes incertas. Um modelo de previsão híbrido melhorado, ou seja, o modelo NARXndashARMA, é realizado para obter os resultados de previsão em que o modelo de rede NARX que é adequado para emissão não linear é usado para prever o componente determinístico e o modelo ARMA são usados ​​para prever a componente de erro devido à capacidade apropriada Na predição linear. Os resultados finais de previsão são a soma dos resultados obtidos a partir desses modelos únicos. O desempenho do modelo NARXndashARMA é então avaliado usando os dados de compressor de metano de baixa qualidade adquiridos a partir da rotina de monitoramento de condições. Para corroborar os avanços do método proposto, também é realizado um estudo comparativo dos resultados de previsão obtidos a partir do modelo NARXndashARMA e dos modelos tradicionais. Os resultados comparativos mostram que NARXndashARMA modelo é excelente e poderia ser usado como uma ferramenta potencial para a máquina de previsão do estado. Média móvel auto-regressiva (ARMA) Autorregressivo não-linear com entrada exógena (NARX) Previsão de longo prazo Previsão de estado da máquina Autor correspondente. Tel. 82 51 629 6152 fax: 82 51 629 6150. Copyright copy 2009 Elsevier Ltd. Todos os direitos reservados. Os cookies são usados ​​por este site. Para obter mais informações, visite a página de cookies. Ou seus licenciadores ou contribuintes. ScienceDirect é uma marca registrada de Elsevier B. V.Documentação a é um vetor constante de deslocamentos, com n elementos. A i são n-by-n matrizes para cada i. Os Ai são matrizes autorregressivas. Existem p matrizes autorregressivas. 949 t é um vector de inovações não correlacionadas em série. Vetores de comprimento n. Os 949 t são vetores aleatórios normais multivariados com matriz de covariância Q. Onde Q é uma matriz de identidade, salvo indicação em contrário. B j são n-by-n matrizes para cada j. As B j são matrizes de média móvel. Existem q matrizes de média móvel. Xt é uma matriz n-by-r representando termos exógenos em cada momento t. R é o número de séries exógenas. Termos exógenos são dados (ou outras entradas não modificadas) além da série de tempo de resposta y t. B é um vetor constante de coeficientes de regressão de tamanho r. Portanto, o produto X t middotb é um vetor de tamanho n. Geralmente, as séries temporais y t e X t são observáveis. Em outras palavras, se você tiver dados, ele representa uma ou ambas as séries. Você nem sempre sabe o deslocamento a. Coeficiente b. Matrizes autorregressivas A i. E matrizes de média móvel B j. Normalmente, você deseja ajustar esses parâmetros aos seus dados. Consulte a página de referência da função vgxvarx para ver formas de estimar parâmetros desconhecidos. As inovações 949 t não são observáveis, pelo menos em dados, embora possam ser observadas em simulações. Lag Representação do Operador Há uma representação equivalente das equações auto-regressivas lineares em termos de operadores de retardamento. O operador de atraso L move o índice de tempo de volta em um: L y t y t 82111. O operador L m move o índice de tempo para trás por m. L m y t y t 8211 m. Na forma de operador de lag, a equação para um modelo de SVARMAX (p. Q. R) torna-se (A 0 x 2212 x2211 i 1 p A i L i) y t a X t b (B 0 x 2211 j 1 q B j L j) x03B5 t. Esta equação pode ser escrita como A (L) y t a X t b B (L) x03B5 t. Um modelo VAR é estável se det (I n x2212 A 1 z x 2212 A 2 z 2 x 2212. x2212 A pzp) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Esta condição implica que, com todas as inovações igual a zero, o processo VAR converge para um Como o tempo passa. Veja Luumltkepohl 74 Capítulo 2 para uma discussão. Um modelo VMA é inversível se det (I n B 1 z B 2 z 2. B q z q) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Esta condição implica que a representação VAR pura do processo é estável. Para obter uma explicação de como converter entre modelos VAR e VMA, consulte Alterando Representações de Modelo. Veja o capítulo 11 de Luumltkepohl para uma discussão sobre os modelos VMA invertíveis. Um modelo VARMA é estável se sua parte VAR é estável. Da mesma forma, um modelo VARMA é inversível se sua parte VMA é invertible. Não existe uma noção bem definida de estabilidade ou de invertibilidade para modelos com entradas exógenas (por exemplo, modelos VARMAX). Uma entrada exógena pode desestabilizar um modelo. Construindo Modelos VAR Para entender um modelo de séries temporais múltiplas, ou vários dados de séries temporais, geralmente você executa as seguintes etapas: Importe e pré-processa dados. Especifique um modelo. Estruturas de Especificação sem Valores de Parâmetro para especificar um modelo quando você deseja que o MATLAB x00AE estime os parâmetros Estruturas de Especificação com Valores de Parâmetro Selecionados para especificar um modelo onde você conhece alguns parâmetros e deseja que o MATLAB estime os outros Determinando um Número Apropriado de Lags a determinar Um número adequado de defasagens para seu modelo Ajustar o modelo aos dados. Ajustando Modelos a Dados para usar o vgxvarx para estimar os parâmetros desconhecidos em seus modelos. Isso pode envolver: Modificação de Representações de Modelo para alterar seu modelo para um tipo que vgxvarx manipula Analisar e prever usando o modelo ajustado. Isto pode envolver: Examinando a estabilidade de um modelo ajustado para determinar se seu modelo é estável e invertible. Modelo VAR Previsão para prever diretamente a partir de modelos ou para prever usando uma simulação de Monte Carlo. Cálculo de respostas de impulso para calcular as respostas de impulso, que fornecem previsões baseadas numa alteração assumida numa entrada para uma série temporal. Compare os resultados das previsões de seus modelos com os dados disponíveis para a previsão. Para um exemplo, veja Estudo de Caso do Modelo VAR. Seu aplicativo não precisa envolver todas as etapas deste fluxo de trabalho. Por exemplo, você pode não ter quaisquer dados, mas sim simular um modelo parametrizado. Nesse caso, você executaria apenas as etapas 2 e 4 do fluxo de trabalho genérico. Você pode iterar através de algumas dessas etapas. Exemplos Relacionados Selecione seu PaísUnivariado Modelos compostos ARMAXGARCH, incluindo EGARCH, GJR e outras variantes Simulação multivariada e previsão de VAR, VEC e modelos cointegrados Modelos de espaço de estados e filtros de Kalman para estimação de parâmetros Testes para raiz unitária (Dickey-Fuller, Phillips - Testes estatísticos, incluindo a razão de verossimilhança, LM, Wald, Engles ARCH e Ljung-Box Q, incluindo Engle-Granger e Johansen Diagnostics e utilitários, incluindo seleção de modelos AICBIC e testes de parcial - , Auto - e cross-correlations Filtro Hodrick-Prescott para análise de ciclo de negócios As capacidades de modelagem de séries temporais em Econometrics Toolbox são projetadas para capturar características comumente associadas com dados financeiros e econométricos, incluindo dados com caudas de gordura, aglomeração de volatilidade e efeitos de alavancagem . A média móvel auto-regressiva (ARMAX) A média móvel auto-regressiva (ARMAX) A média móvel auto-regressiva (ARMAX) A média móvel auto-regressiva (ARMAX) A média móvel auto-regressiva (ARMAX) GARCH) Glutin-Jagannathan-Runkle (GJR) Exponencial GARCH (EGARCH) A Econometrics Toolbox possui um conjunto completo de ferramentas para construir modelos de volatilidade que variam no tempo. A caixa de ferramentas suporta várias variantes de modelos GARCH univariados, incluindo modelos ARCHGARCH padrão, assim como modelos EGARCH e GJR assimétricos projetados para capturar efeitos de alavancagem nos retornos de ativos. A caixa de ferramentas também suporta a simulação de modelos de volatilidade estocástica. Modelar o risco de mercado de uma carteira hipotética de índices de ações globais usando a simulação de Monte Carlo. Estimativa de risco de mercado usando bootstrapping e técnica de simulação histórica filtrada. As parcelas mostram os resíduos filtrados e a volatilidade dos retornos da carteira de um modelo AR (1) EGARCH (1,1) (à direita), a carteira simulada retorna ao longo de um horizonte de um mês (à esquerda) ea função de distribuição de probabilidade (inferior direita) . Selecione seu país Escolha seu país para obter o conteúdo traduzido quando disponível e veja eventos e ofertas locais. Com base na sua localização, recomendamos que você selecione:. Você também pode selecionar um local da lista a seguir: Ásia Pacífico Explore produtos Experimente ou compre Aprenda a usar Obtenha suporte sobre o MathWorks Acelerando o ritmo da engenharia e da ciência MathWorks é o desenvolvedor líder de software de computação matemática para engenheiros e cientistas.