Koopa: متنبئات كوبمان للمتسلسلات الزمنية غير المستقرة
Koopa هو نموذج تعلم عميق للتنبؤ بالمتسلسلات الزمنية، قدمه يونغ ليو، تشانغ لي، جيانمين وانغ، ومينغشنغ لونغ في مؤتمر NeurIPS 2023. يعالج النموذج تحدي عدم الاستقرار عن طريق فصل المتسلسلات الزمنية إلى مكونات مستقرة وغير مستقرة، ثم نمذجة الديناميكيات غير المستقرة باستخدام تقريب مُتعلَّم لمؤثر كوبمان — وهو إطار رياضي يرفع الأنظمة غير الخطية إلى فضاء خطي للتنبؤ طويل الأمد القابل للتتبع.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
Method map
The neighbourhood of related methods — select a node to explore.
المصادر
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/ar/deep-learning/koopa
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- DLinear: نموذج الانحدار الخطي المُحلل للتنبؤ بالسلاسل الزمنيةالتعلم العميق↔ compare
- المحول غير المستقر (Non-stationary Transformer)التعلم العميق↔ compare
- نموذج فضاء الحالة (مرشح كالمان)الاقتصاد القياسي↔ compare