Koopa: Koopman-ennustimet epästationaarisille aikasarjoille
Koopa on syväoppimismalli aikasarjaennustukseen, jonka Yong Liu, Chang Li, Jianmin Wang ja Mingsheng Long esittelivät NeurIPS 2023 -konferenssissa. Se vastaa epästationaarisuuden haasteeseen erottamalla aikasarjat stationaarisiin ja epästationaarisiin komponentteihin ja mallintamalla sitten epästationaarista dynamiikkaa Koopman-operaattorin opitun approksimaation avulla – matemaattisen viitekehyksen, joka nostaa epälineaariset järjestelmät lineaariseen avaruuteen hallittavaa pitkän aikavälin ennustamista varten.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/fi/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: Hajotelmaan perustuva lineaarinen malli aikasarjaennustukseenSyväoppiminen↔ compare
- Non-stationary TransformerSyväoppiminen↔ compare
- Tilamallinnus (Kalman-suodin)Ekonometria↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →