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.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian 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 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.
- DLinear: Model Linear Terdekomposisi untuk Peramalan Deret WaktuPembelajaran Mendalam↔ compare
- Transformer Tidak StasionerPembelajaran Mendalam↔ compare
- Model Ruang Keadaan (Penuras Kalman)Ekonometrik↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →