Koopa: Prediktorët e Koopmanit për Seritë Kohore Jo-stacionare
Koopa është një model i thellë mësimor për parashikimin e serive kohore, prezantuar nga Yong Liu, Chang Li, Jianmin Wang dhe Mingsheng Long në NeurIPS 2023. Ai trajton sfidën e jo-stacionaritetit duke zbërthyer serinë kohore në komponentë stacionarë dhe jo-stacionarë, më pas duke modeluar dinamikën jo-stacionare duke përdorur një përafrim të mësuar të operatorit Koopman — një kornizë matematike që ngre sistemet jo-lineare në një hapësirë lineare për parashikim të gjatë të gjatësisë së gjatë.
Lexoni metodën e plotë
Hyni me një llogari falas për ta lexuar këtë seksion.
Method map
The neighbourhood of related methods — select a node to explore.
Burimet
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
Si ta citoni këtë faqe
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/sq/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 Linear për Parashikimin e Vargjeve Kohore bazuar në DekompozimMësimi i thellë↔ compare
- Transformator jo-stacionarMësimi i thellë↔ compare
- Model i Hapësirës së Gjendjeve (Filtri Kalman)Ekonometri↔ compare
Vutë re një problem në këtë faqe? Raportojeni ose sugjeroni një korrigjim →