کوپا: پیشبینیکنندههای کوپمن برای سریهای زمانی ناایستا
کوپا (Koopa) یک مدل یادگیری عمیق برای پیشبینی سریهای زمانی است که توسط یونگ لیو، چانگ لی، جیانمین وانگ، و مینگشنگ لانگ در NeurIPS 2023 معرفی شد. این مدل با تفکیک سریهای زمانی به مؤلفههای ایستا و ناایستا، به چالش ناایستایی میپردازد، و سپس دینامیکهای ناایستا را با استفاده از یک تقریب یادگرفتهشده از عملگر کوپمن مدلسازی میکند — یک چارچوب ریاضی که سیستمهای غیرخطی را برای پیشبینیهای طولانیمدت قابلحل به یک فضای خطی ارتقا میدهد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/fa/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.
- مدل خطی تجزیهپذیر برای پیشبینی سریهای زمانی (DLinear)یادگیری عمیق↔ compare
- ترانسفورمر ناایستایادگیری عمیق↔ compare
- مدل فضای حالت (فیلتر کالمن)اقتصادسنجی↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →