Koopa: Prediccionadors de Koopman per a Sèries Temporals No Estacionàries
Koopa és un model d'aprenentatge profund per a la predicció de sèries temporals introduït per Yong Liu, Chang Li, Jianmin Wang i Mingsheng Long a NeurIPS 2023. Aborda el desafiament de la no estacionalitat descomponent la sèrie temporal en components estacionaris i no estacionaris, i modelant posteriorment la dinàmica no estacionària mitjançant una aproximació apresa de l'operador de Koopman, un marc matemàtic que eleva sistemes no lineals a un espai lineal per a prediccions tractables a llarg termini.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/ca/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: Model Lineal de Descomposició per a la Predicció de Sèries TemporalsAprenentatge profund↔ compare
- Transformer no estacionariAprenentatge profund↔ compare
- Model d'espai d'estats (Filtre de Kalman)Econometria↔ compare
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →