Koopa: Prediktory Koopmana pro nestacionární časové řady
Koopa je model hlubokého učení pro předpovídání časových řad, který představili Yong Liu, Chang Li, Jianmin Wang a Mingsheng Long na konferenci NeurIPS 2023. Řeší problém nestacionarity rozložením časové řady na stacionární a nestacionární složky, následným modelováním nestacionární dynamiky pomocí naučené aproximace Koopmanova operátoru — matematického rámce, který transformuje nelineární systémy do lineárního prostoru pro zvládnutelné předpovídání na dlouhý horizont.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/cs/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: Dekompoziční lineární model pro predikci časových řadHluboké učení↔ compare
- Non-stationary TransformerHluboké učení↔ compare
- Model stavového prostoru (Kalmanův filtr)Ekonometrie↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →