Koopa: Prediktory Koopmana pre nestacionárne časové rady
Koopa je model hlbokého učenia na predpovedanie časových radov, ktorý predstavili Yong Liu, Chang Li, Jianmin Wang a Mingsheng Long na konferencii NeurIPS 2023. Rieši výzvu nestacionarity rozkladom časovej rady na stacionárne a nestacionárne komponenty, pričom nestacionárnu dynamiku modeluje pomocou naučenej aproximácie Koopmanovho operátora – matematického rámca, ktorý nelineárne systémy transformuje do lineárneho priestoru na účely zvládnuteľnej predikcie na dlhé obdobie.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
Ako citovať túto stránku
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/sk/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: Dekompozičný lineárny model pre predikciu časových radovHlboké učenie↔ compare
- Nestacionárny TransformerHlboké učenie↔ compare
- Model priestorového stavu (Kalmanov filter)Ekonometria↔ compare
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →