Koopa: Προβλεπτές Koopman για μη στάσιμες χρονοσειρές
Το Koopa είναι ένα μοντέλο βαθιάς μάθησης για πρόβλεψη χρονοσειρών που εισήχθη από τους Yong Liu, Chang Li, Jianmin Wang και Mingsheng Long στο NeurIPS 2023. Αντιμετωπίζει την πρόκληση της μη στασιμότητας διαχωρίζοντας τις χρονοσειρές σε στάσιμα και μη στάσιμα συστατικά, μοντελοποιώντας στη συνέχεια τη μη στάσιμη δυναμική χρησιμοποιώντας μια μαθημένη προσέγγιση του τελεστή Koopman — ένα μαθηματικό πλαίσιο που ανυψώνει μη γραμμικά συστήματα σε έναν γραμμικό χώρο για διαχειρίσιμη πρόβλεψη μεγάλης διάρκειας.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/el/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: Γραμμικό Μοντέλο Αποσύνθεσης για Πρόβλεψη ΧρονοσειρώνΒαθιά Μάθηση↔ compare
- Non-stationary TransformerΒαθιά Μάθηση↔ compare
- Μοντέλο Χώρου Καταστάσεων (Φίλτρο Kalman)Οικονομετρία↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →