Koopa: Koopman-prediktorok nem-stacionárius idősorokhoz
A Koopa egy mélytanulási modell idősor-előrejelzésre, amelyet Yong Liu, Chang Li, Jianmin Wang és Mingsheng Long mutatott be a NeurIPS 2023 konferencián. A nem-stacionaritás kihívását úgy kezeli, hogy az idősorokat stacionárius és nem-stacionárius komponensekre bontja, majd a nem-stacionárius dinamikát a Koopman-operátor tanult közelítésével modellezi — ez egy matematikai keretrendszer, amely a nemlineáris rendszereket lineáris térbe emeli a kezelhető, hosszú távú előrejelzés érdekében.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/hu/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: Dekompozíciós lineáris modell idősor-előrejelzéshezMélytanulás↔ compare
- Nem-stacionárius TransformerMélytanulás↔ compare
- Állapotterek (State Space) modell (Kalman-szűrő)Ökonometria↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →