Koopa: Koopman Predictors voor Niet-stationaire Tijdreeksen
Koopa is een deep learning-model voor het voorspellen van tijdreeksen, geïntroduceerd door Yong Liu, Chang Li, Jianmin Wang en Mingsheng Long op NeurIPS 2023. Het pakt de uitdaging van niet-stationariteit aan door tijdreeksen te ontleden in stationaire en niet-stationaire componenten, en vervolgens de niet-stationaire dynamiek te modelleren met een geleerde benadering van de Koopman-operator — een wiskundig raamwerk dat niet-lineaire systemen naar een lineaire ruimte tilt voor hanteerbare voorspellingen over lange termijn.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
Deze pagina citeren
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/nl/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: Decomposition Linear Model voor TijdreeksvoorspellingDeep learning↔ compare
- Niet-stationaire TransformerDeep learning↔ compare
- State Space Model (Kalman Filter)Econometrie↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →