Koopa: Predyktory Koopmana dla niestacjonarnych szeregów czasowych
Koopa to model głębokiego uczenia do prognozowania szeregów czasowych, wprowadzony przez Yong Liu, Chang Li, Jianmin Wang i Mingsheng Long na konferencji NeurIPS 2023. Rozwiązuje on problem niestacjonarności poprzez rozdzielenie szeregu czasowego na składowe stacjonarne i niestacjonarne, a następnie modelowanie dynamiki niestacjonarnej przy użyciu nauczonej aproksymacji operatora Koopmana — ramy matematyczne, które przenoszą nieliniowe systemy do przestrzeni liniowej w celu łatwego prognozowania długoterminowego.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/pl/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 dekompozycji liniowej do prognozowania szeregów czasowychUczenie głębokie↔ compare
- Non-stationary TransformerUczenie głębokie↔ compare
- Model przestrzeni stanów (filtr Kalmana)Ekonometria↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →