Prozessindikatoren

Storyboard

>Modell

ID:(67, 0)

---

Interpolation

Beschreibung

>Top

Zur Interpolation passt es um die Punkte, um mit den vorhandenen Punkten ein Polynom zu berechnen.

Der Prozess kann mit der Panta-Bibliothek durchgeführt werden:

import pandas as pd
import numpy as np

year = []
value = []

for i in range(dmin,dmax + 1):
    if i > dmin:
        nmin = int(df.date[i-1])
        nmax = int(df.date[i])
        for n in range(nmin + 1,nmax):
            year.append(n)
            value.append(np.nan)

    ndate = int(df.date[i])
    year.append(ndate)
    if df.value[i] == '':
        value.append(np.nan)
    else:
        val = float(df.value[i])
        if val > 99.9:
            val = 99.9
        elif val < 0.01:
            val = 0.01
        val = (val - 50)/50
        val = math.atanh(val)
        value.append(val)

        
servalue = pd.Series(value)
inpvalue = servalue.interpolate(method="polynomial", order=3)

ID:(318, 0)

---

Extrapolation

Beschreibung

>Top

Zur Extrapolation wird die Funktion skaliert und anschließend die Fourier-Transformation berechnet, um dann anhand der Darstellung der Schwingung die zukünftige Entwicklung abzuschätzen.

Der Prozess kann mit der Panta-Bibliothek durchgeführt werden:

import pandas as pd
import numpy as np
from numpy import fft

def fourierExtrapolation(x, n_predict):

    n = x.size
    n_harm = 10                     # number of harmonics in model
    t = np.arange(0, n)
    p = np.polyfit(t, x, 1)         # find linear trend in x
    x_notrend = x - p[0] * t        # detrended x
    x_freqdom = fft.fft(x_notrend)  # detrended x in frequency domain
    f = fft.fftfreq(n)              # frequencies
    indexes = list(range(n))
 
    t = np.arange(0, n + n_predict)
    restored_sig = np.zeros(t.size)
    for i in indexes[:1 + n_harm * 2]:
        ampli = np.absolute(x_freqdom[i]) / n   # amplitude
        phase = np.angle(x_freqdom[i])          # phase
        restored_sig += ampli * np.cos(2 * np.pi * f[i] * t + phase)
        
    return restored_sig + p[0] * t

x = np.array(inpvalue)
z = (x - 50)/50
z = np.arctanh(z)
extrapolation = fourierExtrapolation(z, num)
extrapolation = 50*np.tanh(extrapolation) + 50

for i in range(len(extrapolation)):
    if i < len(value):
        print(year[i],value[i],inpvalue[i],extrapolation[i])
    else:
        print(year[0]+i,'-','-',extrapolation[i])

ID:(319, 0)

---