Koopa: Koopmani ennustajad mittestatsionaarsete aegridade jaoks
Koopa on süvaõppe mudel aegridade prognoosimiseks, mille esitasid Yong Liu, Chang Li, Jianmin Wang ja Mingsheng Long NeurIPS 2023 konverentsil. See lahendab mittestatsionaarsuse väljakutse, lahutades aegrea statsionaarseteks ja mittestatsionaarseteks komponentideks, seejärel modelleerides mittestatsionaarset dünaamikat Koopmani operaatori õpitud ligikaudse mudeli abil — matemaatiline raamistik, mis tõstab mittelineaarsed süsteemid lineaarsesse ruumi, et võimaldada prognoosimist pika aja ette.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/et/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: Dekompositsiooniline lineaarne mudel aegridade prognoosimiseksSüvaõpe↔ compare
- Mittestatsionaarne TransformerSüvaõpe↔ compare
- Oleku ruum mudel (Kalmani filter)Ökonomeetria↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →