ScholarGate
Pembantu
Machine learningTime-series forecasting

Koopa: Koopman Predictors untuk Siri Masa Tidak Stasioner

Koopa ialah model pembelajaran mendalam untuk ramalan siri masa yang diperkenalkan oleh Yong Liu, Chang Li, Jianmin Wang, dan Mingsheng Long di NeurIPS 2023. Ia menangani cabaran ketidakstasioneran dengan memisahkan siri masa kepada komponen stasioner dan tidak stasioner, kemudian memodelkan dinamik tidak stasioner menggunakan anggaran yang dipelajari bagi pengendali Koopman — sebuah rangka kerja matematik yang mengangkat sistem tak linear ke dalam ruang linear untuk ramalan ufuk panjang yang boleh dikendalikan.

Buka dalam MethodMindTidak lama lagiVideoTidak lama lagiDownload slides

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log masuk

Method map

The neighbourhood of related methods — select a node to explore.

Koopa: Koopman Predictors untuk Siri Masa Tidak Stasioner
DLinear: Model Linear Te…Transformer Tidak Stasio…Model Ruang Keadaan (Pen…

Sumber

  1. Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link

Cara memetik halaman ini

ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/ms/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.

Compare side by side
ScholarGateKoopa (Koopa (Koopman Predictors for Non-stationary Dynamics)). Dicapai 2026-06-15 daripada https://scholargate.app/ms/deep-learning/koopa · Set data: https://doi.org/10.5281/zenodo.20539026