Koopa: Predittori di Koopman per Serie Storiche Non-Stazionarie
Koopa è un modello di deep learning per la previsione di serie storiche introdotto da Yong Liu, Chang Li, Jianmin Wang e Mingsheng Long alla NeurIPS 2023. Affronta la sfida della non-stazionarietà scomponendo le serie storiche in componenti stazionarie e non-stazionarie, modellando quindi le dinamiche non-stazionarie utilizzando un'approssimazione appresa dell'operatore di Koopman — un quadro matematico che eleva i sistemi non lineari in uno spazio lineare per previsioni trattabili a lungo termine.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
Come citare questa pagina
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/it/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: Modello Lineare a Decomposizione per la Previsione di Serie StoricheApprendimento profondo↔ compare
- Transformer non-stazionarioApprendimento profondo↔ compare
- Modello a Spazio di Stati (Filtro di Kalman)Econometria↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →