Koopa: Prediktor Koopman untuk Deret Waktu Non-stasioner
Koopa adalah model pembelajaran mendalam untuk peramalan deret waktu yang diperkenalkan oleh Yong Liu, Chang Li, Jianmin Wang, dan Mingsheng Long di NeurIPS 2023. Model ini mengatasi tantangan non-stasioneritas dengan memisahkan deret waktu menjadi komponen stasioner dan non-stasioner, kemudian memodelkan dinamika non-stasioner menggunakan aproksimasi yang dipelajari dari operator Koopman — sebuah kerangka kerja matematis yang mengangkat sistem nonlinier ke ruang linier untuk prediksi cakrawala panjang yang dapat dikelola.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/id/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: Model Linear Dekomposisi untuk Peramalan Deret WaktuPembelajaran Mendalam↔ compare
- Transformer Non-StasionerPembelajaran Mendalam↔ compare
- Model Ruang Keadaan (Kalman Filter)Ekonometrika↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →