Koopa: Koopman-prediktorer för icke-stationära tidsserier
Koopa är en djupinlärningsmodell för tidsserieprognoser introducerad av Yong Liu, Chang Li, Jianmin Wang och Mingsheng Long vid NeurIPS 2023. Den hanterar utmaningen med icke-stationaritet genom att dela upp tidsserier i stationära och icke-stationära komponenter, och modellerar sedan den icke-stationära dynamiken med en inlärd approximation av Koopman-operatorn — ett matematiskt ramverk som lyfter icke-linjära system till ett linjärt rum för hanterbar långsiktig prediktion.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/sv/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: Decomposition Linear Model för tidsserieprognoserDjupinlärning↔ compare
- Non-stationary TransformerDjupinlärning↔ compare
- Tillståndsrumsmodell (Kalmanfilter)Ekonometri↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →