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.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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.
- DLinearГлубокое обучение↔ compare
- Non-stationary TransformerГлубокое обучение↔ compare
- Модель пространства состояний (фильтр Калмана)Эконометрика↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →