このページは機械翻訳を使用して翻訳されました。最新版の英語を参照するには、ここをクリックします。
ThingSpeakデータを使用して潮汐深を予測する
この例では、 ThingSpeak™チャネルに保存されているデータを使用して、オックウェイ湾の潮汐深さを予測する方法を示します。潮汐深度を予測することは重要です。水の深さがわからない場合、船は容易に浅い湾の底泥で動けなくなることがあります。
オックウェイ湾のリアルタイム潮汐ゲージからのデータの読み取り
ThingSpeak™チャネル50289 には、オックウェイ湾の潮汐深に関するデータが含まれています。データは 5 分ごとに収集されます。チャネルの Field 1 には潮汐深度のデータが含まれています。thingSpeakRead
関数を使用して、特定の日 (たとえば、2016 年 7 月 1 日) にチャネル50289 からデータを読み取ります。
startDate = datetime('July 1, 2016 12:01:00 AM'); endDate = datetime('July 2, 2016 12:02:00 AM'); dateRange = startDate:endDate; data = thingSpeakRead(50289,'DateRange',dateRange,'Fields',1);
AR モデルによるデータの近似
iddata
関数を使用して、潮汐深さデータの iddata オブジェクトを作成します。データにdetrend
を使用して、データをゼロ平均にします。潮汐深さは時間とともに変化するため、関数ar
を使用して、離散時間自己回帰モデルをデータに適合させます。トレンドを除去する前にオフセットを取得し、システムを表す AR モデルを適合させます。
sampleTime = 5; IDdata = iddata(data,[],sampleTime,'OutputName',{'Tidal Depth'},'TimeUnit','minutes') trend = getTrend(IDdata,0); IDdata = detrend(IDdata,0); modelOrder = 8; sys = ar(IDdata,modelOrder);
IDdata = Time domain data set with 288 samples. Sample time: 5 minutes Outputs Unit (if specified) Tidal Depth
潮汐深度の予測
forecast
関数を使用して、翌日の潮汐深さを予測します。測定された潮汐深度のデータが 5 分ごとに更新されるため、予測データのサンプル数を 288 に設定します。yf
は予測モデル応答、 yf_sd
は出力の標準偏差です。プロットする前にデータをリトレンドします。
numSamples = 288; [yf,x0,sysf,yf_sd,x,x_sd] = forecast(sys,IDdata,numSamples); IDdata = retrend(IDdata,trend); yf = retrend(yf,trend);
予測された応答のプロット
予測された潮汐データと共に測定データをプロットします。また、予測モデルの不確実性の 1 標準偏差もプロットします。
figure; UpperBound = iddata(yf.OutputData+1*yf_sd,[],yf.Ts,'Tstart',yf.Tstart,'TimeUnit','minutes'); LowerBound = iddata(yf.OutputData-1*yf_sd,[],yf.Ts,'Tstart',yf.Tstart,'TimeUnit','minutes'); plot(IDdata(:,:,[]),'r',yf(:,:,[]),'b'); hold on plot(UpperBound,'k--',LowerBound,'k--'); legend({'measured','forecasted','1 sd uncertainty'},'Location','best'); xlabel('Time'); ylabel('Tidal depth (inches)'); title('Measured and Forecasted Tidal Wave Depths');
このプロットは、測定された応答および予測システムの応答を、標準偏差 1 の不確かさの範囲と共に示しています。