Koopa: Предиктори на Купман за нестационарни времеви редове
Koopa е модел за дълбоко обучение за прогнозиране на времеви редове, представен от Yong Liu, Chang Li, Jianmin Wang и Mingsheng Long на NeurIPS 2023. Той се справя с предизвикателството на нестационарността, като разделя времевите редове на стационарни и нестационарни компоненти, след което моделира нестационарната динамика, използвайки научено приближение на оператора на Купман — математическа рамка, която преобразува нелинейни системи в линейно пространство за проследимо дългосрочно прогнозиране.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/bg/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.
- DLinearДълбоко обучение↔ compare
- Нестационарен ТрансформерДълбоко обучение↔ compare
- Модел в състояние пространство (Калманов филтър)Иконометрия↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →