Koopa: Kūpmena prediktori nestacionārām laika rindām
Koopa ir dziļās mācīšanās modelis laika rindu prognozēšanai, ko ieviesa Yong Liu, Chang Li, Jianmin Wang un Mingsheng Long konferencē NeurIPS 2023. Tas risina nestacionaritātes problēmu, sadalot laika rindas stacionārās un nestacionārās komponentēs, un pēc tam modelējot nestacionāro dinamiku, izmantojot apgūtu Kūpmena operatora aproksimāciju — matemātisku ietvaru, kas paceļ nelineāras sistēmas lineārā telpā, lai nodrošinātu viegli apstrādājamu ilgtermiņa prognozēšanu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/lv/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: Dekompozīcijas lineārais modelis laika sēriju prognozēšanaiDziļā mācīšanās↔ compare
- Nestacionārs TransformerDziļā mācīšanās↔ compare
- Valsts telpas modelis (Kalmana filtrs)Ekonometrija↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →