Koopa: Koopmanovi prediktori za nestacionarne vremenske nizove
Koopa je model dubokog učenja za prognoziranje vremenskih nizova koji su predstavili Yong Liu, Chang Li, Jianmin Wang i Mingsheng Long na konferenciji NeurIPS 2023. On rješava problem nestacionarnosti razdvajanjem vremenskog niza na stacionarne i nestacionarne komponente, a zatim modeliranjem nestacionarnih dinamika pomoću naučene aproksimacije Koopmanovog operatora — matematičkog okvira koji nelinearne sustave podiže u linearni prostor radi rješivog predviđanja na dugim horizontima.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/hr/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: Dekompozicijski linearni model za prognoziranje vremenskih serijaDuboko učenje↔ compare
- Nestacionarni TransformerDuboko učenje↔ compare
- Model prostora stanja (Kalmanov filtar)Ekonometrija↔ compare
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →