Koopa: Koopman Predictors for Non-stationary Time Series
Koopa je model dubokog učenja za prognoziranje vremenskih serija koji su predstavili Yong Liu, Chang Li, Jianmin Wang i Mingsheng Long na NeurIPS 2023. On rešava problem nestacionarnosti razdvajanjem vremenskih serija na stacionarne i nestacionarne komponente, a zatim modeliranjem nestacionarne dinamike korišćenjem naučene aproksimacije Koopmanovog operatora — matematičkog okvira koji podiže nelinearne sisteme u linearni prostor radi rešivog predviđanja na dugim horizontima.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/sr/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: Dekompozicioni linearni model za prognoziranje vremenskih serijaDuboko učenje↔ compare
- Nestacionarni TransformerDuboko učenje↔ compare
- Model stanja prostora (Kalmanov filter)Ekonometrija↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →