Autoregressiv Bevegelig Gjennomsnitt Med Eksogene Innganger

En hybrid av ikke-lineær autoregressiv modell med eksogen inngang og autoregressiv glidende gjennomsnittsmodell for langsiktig maskinstatistikkprognose Hong Thom Pham Van Tung Tran Bo-Suk Yang. Skolen for maskinteknikk, Pukyong nasjonaluniversitet, San 100, Yongdang-dong, Nam-gu, Busan 608-739, Sør-Korea Tilgjengelig på nettet 15. oktober 2009. Dette papiret presenterer en forbedring av hybrid av ikke-lineær autoregressiv med eksogen inngangs (NARX) modell og autoregressiv glidende gjennomsnittlig (ARMA) modell for langsiktig maskinstatistikkprognose basert på vibrasjonsdata. I denne studien anses vibrasjonsdata som en kombinasjon av to komponenter som er deterministiske data og feil. Den deterministiske komponenten kan beskrive maskinens nedbrytingsindeks, mens feilkomponenten kan skildre utseendet på usikre deler. En forbedret hybridprognosemodell, nemlig NARXARMA-modellen, utføres for å oppnå prognoseresultatene der NARX-nettverksmodellen som er egnet for ikke-lineært problem, brukes til å prognose den deterministiske komponenten og ARMA-modellen brukes til å forutsi feilkomponenten på grunn av egnet evne i lineær prediksjon. De endelige prognoseresultatene er summen av resultatene fra disse enkeltmodellene. Utførelsen av NARXARMA-modellen blir deretter evaluert ved å bruke dataene for lavmetankompressor oppnådd fra tilstandsovervåkingsrutinen. For å bekrefte fremskrittene i den foreslåtte metoden, utføres også en sammenlignende studie av prognostiseringsresultater oppnådd fra NARXARMA-modellen og tradisjonelle modeller. De komparative resultatene viser at NARXARMA-modellen er enestående og kan brukes som et potensielt verktøy for maskinprognoser. Autoregressivt glidende gjennomsnitt (ARMA) Ikke-lineær autoregressiv med eksogen inngang (NARX) Langsiktig prediksjon Maskinstatistikkprognose Fig. 1. Fig. 2. Fig. 3. Fig. 4. Tabell 1. Fig. 5. Fig. 6. Fig. 7. Fig. 8. Fig. 9. Fig. 10. Tabell 2. Fig. 11. Fig. 12. Tabell 3. Fig. 13. Fig. 14. Tilsvarende forfatter. Tlf. 82 51 629 6152 faks: 82 51 629 6150.Dokumentasjon a er en konstant vektor av forskyvninger, med n elementer. A jeg er n-en-matriser for hver jeg. A i er autoregressive matriser. Det er p autoregressive matriser. 949 t er en vektor av serielt ukorrelerte innovasjoner. vektorer med lengde n. 949 t er multivariate normale tilfeldige vektorer med en kovariansmatrise Q. hvor Q er en identitetsmatrise, med mindre annet er angitt. B j er n-by-n matriser for hver j. Bj flytter gjennomsnittlige matriser. Det er q bevegelige gjennomsnittsmatriser. X t er en n-by-matrise som representerer eksogene vilkår ved hver tid t. r er antall eksogene serier. Eksogene vilkår er data (eller andre umodellerte innganger) i tillegg til responstidsserien y t. b er en konstant vektor av regresjonskoeffisienter av størrelse r. Så produktet X t middotb er en vektor med størrelse n. Generelt er tidsseriene y t og X t observerbare. Med andre ord, hvis du har data, representerer den en eller begge seriene. Du vet ikke alltid offseten a. koeffisient b. autoregressive matriser A i. og bevegelige gjennomsnittsmatriser B j. Du vil vanligvis tilpasse disse parametrene til dine data. Se vgxvarx-funksjonsreferansesiden for måter å estimere ukjente parametere på. Innovasjonene 949 t er ikke observerbare, i hvert fall i data, selv om de kan observeres i simuleringer. Lagoperatørrepresentasjon Det er en ekvivalent representasjon av de lineære autoregressive ligningene i forhold til lagoperatører. Lagsoperatøren L flytter tidsindeksen tilbake med en: L y t y t 82111. Operatøren L m flytter tidsindeksen tilbake med m. L m y t y t 8211 m. I lagoperatørform blir ligningen for en SVARMAX-modell (p. Q. R) (A 0 x2212 x2211 i 1 p A i L i) a t X t b (B 0 x 2211 j 1 q B j L j) x03B5 t. Denne ligningen kan skrives som A (L) y t a X t b B (L) x03B5 t. En VAR-modell er stabil hvis det (I n x2212 A 1 z x 2212 A 2 z 2 x 2212 x2212 A pzp) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Denne betingelsen innebærer at alle prosessene tilsvarer null, forvandler VAR-prosessen til en som tiden går videre. Se Luumltkepohl 74 Kapittel 2 for en diskusjon. En VMA-modell er inverterbar hvis det (I n B 1 z B 2 z 2. B q z q) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Denne betingelsen innebærer at den rene VAR-representasjonen av prosessen er stabil. For en forklaring på hvordan du konverterer mellom VAR og VMA-modeller, se Endre modellrepresentasjoner. Se Luumltkepohl 74 Kapittel 11 for en diskusjon av inverterbare VMA-modeller. En VARMA-modell er stabil hvis VAR-delen er stabil. På samme måte er en VARMA-modell inverterbar hvis dens VMA-del er inverterbar. Det er ingen veldefinert forestilling om stabilitet eller invertibilitet for modeller med eksogene innganger (for eksempel VARMAX-modeller). En eksogen inngang kan destabilisere en modell. Å bygge VAR-modeller For å forstå en flere tidsseriemodell eller flere tidsseriedata, utfører du vanligvis følgende trinn: Importer og forhåndsbehandle data. Angi en modell. Spesifikasjonsstrukturer uten parameterværdi for å spesifisere en modell når du vil at MATLAB x00AE skal estimere parametrene Spesifikasjonsstrukturer med valgte parameterverdier for å angi en modell hvor du kjenner noen parametere og vil at MATLAB skal estimere de andre. Bestemme et passende antall lag for å bestemme et passende antall lags for din modell. Tilpass modellen til data. Passer Modeller til Data for å bruke vgxvarx til å estimere de ukjente parameterne i modellene dine. Dette kan innebære: Endre modellrepresentasjoner for å endre modellen til en type som vgxvarx håndterer Analyser og prognoser ved hjelp av den monterte modellen. Dette kan innebære: Undersøk stabiliteten til en montert modell for å avgjøre om modellen din er stabil og inverterbar. VAR modellprognoser å prognose direkte fra modeller eller å prognostisere ved hjelp av en Monte Carlo simulering. Beregning av impulsresponser for å beregne impulsresponser, som gir prognoser basert på en antatt endring i en inngang til en tidsserie. Sammenlign resultatene fra modellene dine prognoser til data holdt ut for prognoser. For eksempel, se VAR Model Case Study. Programmet ditt trenger ikke involvere alle trinnene i denne arbeidsflyten. For eksempel har du kanskje ingen data, men vil simulere en parameterisert modell. I så fall vil du bare utføre trinn 2 og 4 i generisk arbeidsflyt. Du kan iterere gjennom noen av disse trinnene. Beslektede eksempler Velg din CountryVector Atoregressive Moving Gjennomsnitt Med Exogene Inputs (VARMAX) Statistikkoppgave Hjemmearbeidshjelp Vector Atoregressive Moving Gjennomsnitt Med Exogen Inputs (VARMAX) Assignment Help VARMAX-behandlingen estimerer designkravene og produserer prognoser knyttet til vektor autoregressive flytende gjennomsnittlige behandlinger med eksogene regressorer (VARMAX) design. Med VARMAX-behandlingen kan du utvikle det dynamiske forholdet mellom de avhengige variablene og tilsvarende mellom de avhengige og uavhengige variablene. VARMAX-design er definert i forhold til ordrene til det bevegelige gjennomsnittet eller autoregressive behandlingen (eller begge deler). Når du bruker VARMAX-behandlingen, kan disse ordrene angis av alternativer, eller de kan med en gang regnes ut. Krav om å raskt bestemme disse ordrene inkluderer følgende: 8211 Akaike8217s detaljer etterspørsel (AIC). 8211 Fast AIC (AICC). 8211 Hannan-Quinn (HQ) etterspørsel. 8211 Siste projeksjonsfeil (FPE). - Schwarz Bayesian demand (SBC), tilsvarende kalt Bayesian details demand (BIC). Statsrommet grunnlaget for disse behandlingene materialer tilpasningsevne, da de kan benyttes til enhver lineær fast koeffisient design, for eksempel ARIMA, VARMAX eller strukturelle tidsserie design. En simuleringsøvelse avslører at deres beregningskostnader og finite-sample ytelse er eksepsjonell. Reisende krever modellering og prognoser er viktige for turisme-relaterte forretningsmuligheter. Dette eksempelet viser at modellerende reisende krever bruk av VARMAX-behandlingen. Ved å utnytte en VARMAX-design, etableres en begrenset beskrivelse av inngangs-utgangsrelasjonen. En tilbaketrukket minstekvadratrekursjon brukes til å tilnærme Markov-kravene i VARMAX-designsettet. VARMAX-klassen i statistikkmodeller tillater prisopplysninger av VAR, VMA og VARMA-design (gjennom ordreargumentet), i tillegg med en konstant periode (gjennom trendargumentet). Eksogene regressorer kan tilsvarende inngå (som vanlig i statistikkmodeller, av exon-argumentet), og i denne teknikken kan et tidsmønster bestå av. Klassen gjør det mulig for målefeil (ved metoder for måleskapsargumentet) og tillater å spesifisere enten en diagonal eller rotete fremdriftskovariansmatrise. Det er populært at enhver VARMAX-behandling kan gjøres opp i en lignende tilstands-rom (SS) - type. Det er naturlig å spørre om det er mulig å utføre omvendt modifikasjon, det vil si å få koeffisientene til VARMAX-designet observasjonelt ekvivalent med en gitt SS-representasjon. Våre resultater gir en jevn reaksjon på dette problemet, og det er bare et spørsmål om fordel å velge mellom begge representasjoner. Ser etter coecients State-Space og VARMAX-designene er like, og viser at de har muligheten til å representere de nøyaktige, svært like lineære egenskapene, tilsvarende i bekymringer for total passform. Hver representasjon kan være spesielt riktig for spesifikke bruksområder, så det gjelder muligheten til å velge mellom dem. VARX - og VARMAX-konstruksjoner er utvidelser av VAR - og VARMA-strukturen, noe som gjør det mulig for eksogene (8216X8217) variabler hvis egenskaper ikke er definert eller hvis kvaliteter minst ikke er avhengige av de etablerte variablene 8216endogenous8217 y. For prognoser trenger X-variablene en ekstrapoleringsstrategi eller forventninger på deres fremtidige regimer. Hvis du ikke vil bruke det automatiske bestillingsvalget, gir VARMAX-behandlingen følgende autoregressive ordrebekreftelse:. 8211 Delvis krysskorrelasjoner. 8211 Yule-Walker sitater. 8211 Delvis autoregressive koeffisienter. 8211 Delvis kanoniske tilkoblinger. For omstendigheter hvor stationariteten til tidsseriene fortsatt er i problem, gir VARMAX-behandlingen tester som hjelper til med å gjenkjenne tilstedeværelsen av gadgetrøtter og samblanding. Disse testene inkluderer følgende :. 8211 Dickey-Fuller tester. 8211 Johansen cointegration test for ikke-sett vektor behandlinger av kombinert rekkefølge en. 8211 Stock-Watson vanlige mønstertest for muligheten for samblanding blant ikke-satte vektorbehandlinger i kombinert rekkefølge en. 8211 Johansen cointegration test for ikke-sett vektorbehandlinger i kombinert rekkefølge 2. For å håndtere bekymringen for høy dimensjonalitet i kravene til VAR-designen, gir VARMAX-behandlingen både vektorfeilkorreksjonsdesignen (VECM) og den bayesiske vektorfeilkorreksjonsdesignen ( BVECM). VARMAX-behandlingen tillater på samme måte uavhengige (eksogene) variabler med dispergerte lag til å påvirke avhengige variabler i mange modeller som VARMAX, BVARX, VECMX og BVECMX-design. Forecasting er blant de viktigste målene for multivariate tidsserier analyse. Etter å ha montert VARMAX, BVARX, VECMX og BVECMX-designene, ventet VARMAX-behandlingsdatamaskinen verdier basert på kravsraten og de tidligere verdiene av vektortidsserien. Konstruksjonskravene undersøkelsesmetoder er følgende :. 8211 minste kvadrater. 8211 Optimal mulighet. Hovedformålet med denne undersøkelsen er å benytte seg av et vektor-autoregressivt glidende gjennomsnitt med eksogen variabler (VARMAX) - design til en bil-relatert behandling for å holde øye med slik behandling med et kontrollskjema. Nærmere bestemt er en VARMAX-design montert på de historiske kontrollbehandlingsdetaljerene i kontrollen offline, og rester kan beregnes ut fra den oppsamlede observasjonen og VARMAX-designet. Betraktet at residuene må omtrent følge fellesfordeling og være uavhengig, kan et multivariat kontrollskjema benyttes til residuene. VARMAX-behandlingen materialer mange hypotesetester av langsiktige utfall og justeringskoeffisienter som benytter mulighetskvotestesten basert på Johansen co-kombinasjonsanalyse. VARMAX-behandlingen gir mulighetskvotestesten for den svake exogeniteten for hver variabel. VARMAX-behandlingen støtter ulike modelleringsfunksjoner, inkludert følgende :. 8211 Sesongbestemte deterministiske termer. 8211 Subset design. 8211 Mange regresjoner med spredte lag. 8211 Dødstartdesign som ikke har nåværende verdier av eksogene variabler. 8211 GARCH-type multivariate betingede heteroscedasticity design. Tilbyr en multivariate tidsserie, vurderer VARMAX-behandlingen designkravene og utvikler estimater knyttet til vektor-autoregressive flytende gjennomsnittlige behandlinger med eksogene regressorer (VARMAX) - design. VARMAX-behandlingen tillater også uavhengige variabler med dispergerte lag til å påvirke avhengige variabler i mange modeller som VARMAX, BVARX, VECMX og BVECMX-design. Nærmere bestemt er en VARMAX-design montert på den historiske kontrollbehandlingsinformasjonen i kontrollen, og residualer kan beregnes ut fra den oppsamlede observasjonen og VARMAX-designet. VARMAX-design er definert i forhold til ordrene i det bevegelige gjennomsnittet eller autoregressive behandlingen (eller begge deler). VARMAX-klassen i Statsmodeller gjør det mulig å angi prisopplysninger for VAR, VMA og VARMA-design (gjennom ordreargumentet), og med en konstant periode (gjennom trendargumentet). Det er naturlig å spørre om det er mulig å bringe ut den omvendte modifikasjonen, dvs. å få koeffisientene til VARMAX-designet observasjonelt ekvivalent med en gitt SS-representasjon. Det ekstremt første målet med denne undersøkelsen er å bruke et vektoregisteregistrert glidende gjennomsnitt med eksogen variabler (VARMAX) - design til en bilrelatert behandling for å holde styr på slik behandling med et kontrollskjema. Nærmere bestemt er en VARMAX-design montert på de historiske kontrollbehandlingsdetaljene i kontrollen, og residualer kan beregnes ut fra den oppsamlede observasjonen og VARMAX-designet. Vi tilbyr erfaren assistanse for Vector autoregressive glidende gjennomsnitt med eksogen innsats jobb eller Vector autoregressive glidende gjennomsnitt med eksogen innsatsforskningsstudie. Vector autoregressive glidende gjennomsnitt med eksogene innganger på nettveiledere er raskt gitt 247 for å levere oppgavshjelp i tillegg til Vector autoregressive glidende gjennomsnitt med eksogen innsatsforskningsstøtte. Relaterte statistikkoppgaver Trendfjerning og sesongjustering Vector Feilkorrigering (VEC) Vector Autoregressiv (VAR) Vector Autoregressiv Flytende Gjennomsnitt (VARMA) Bruk av Time Series Tidsserie Analyse og Forespørsel Stasjonar Eksponentiell GARCH (EGARCH)