Machine learningTime-series forecasting

Koopa: Предикторы Купмана для нестационарных временных рядов

Koopa — это модель глубокого обучения для прогнозирования временных рядов, представленная Юн Лю, Чан Ли, Цзяньминь Ваном и Миншэн Луном на NeurIPS 2023. Она решает проблему нестационарности, разделяя временные ряды на стационарные и нестационарные компоненты, а затем моделируя нестационарную динамику с использованием изученного приближения оператора Купмана — математического аппарата, который переводит нелинейные системы в линейное пространство для упрощения долгосрочного прогнозирования.

Открыть в MethodMindСкороВидеоСкороDownload slides

Читать метод полностью

Только для участников

Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.

Войти

Method map

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

Koopa: Предикторы Купмана для нестационарных временных рядов
DLinearNon-stationary Transform…Модель пространства сост…

Источники

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

Как цитировать эту страницу

ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/ru/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)). Получено 2026-06-15 из https://scholargate.app/ru/deep-learning/koopa · Набор данных: https://doi.org/10.5281/zenodo.20539026