Koopa: Predictores de Koopman para Series Temporales No Estacionarias
Koopa es un modelo de aprendizaje profundo para la predicción de series temporales introducido por Yong Liu, Chang Li, Jianmin Wang y Mingsheng Long en NeurIPS 2023. Aborda el desafío de la no estacionariedad al desentrañar la serie temporal en componentes estacionarios y no estacionarios, y luego modelar la dinámica no estacionaria utilizando una aproximación aprendida del operador de Koopman, un marco matemático que eleva los sistemas no lineales a un espacio lineal para una predicción manejable a largo plazo.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
Cómo citar esta página
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/es/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: Modelo Lineal de Descomposición para Predicción de Series TemporalesAprendizaje profundo↔ compare
- Transformer no estacionarioAprendizaje profundo↔ compare
- Modelo de espacio de estados (Filtro de Kalman)Econometría↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →