Koopa: מנבאים של קופמן עבור סדרות עתיות לא-סטציונריות
Koopa הוא מודל למידה עמוקה לחיזוי סדרות עתיות שהוצג על ידי Yong Liu, Chang Li, Jianmin Wang, ו-Mingsheng Long בכנס NeurIPS 2023. הוא מתמודד עם האתגר של אי-סטציונריות על ידי פירוק סדרות עתיות לרכיבים סטציונריים ובלתי-סטציונריים, ואז מידול הדינמיקה הבלתי-סטציונרית באמצעות קירוב נלמד של אופרטור קופמן — מסגרת מתמטית המעלה מערכות לא-לינאריות למרחב לינארי לצורך חיזוי ארוך-טווח בר-טיפול.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/he/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: מודל לינארי מפורק לחיזוי סדרות עתיותלמידה עמוקה↔ compare
- טרנספורמר לא-נייח (Non-stationary Transformer)למידה עמוקה↔ compare
- מודל מרחב מצב (מסנן קלמן)אקונומטריקה↔ compare