Koopa: Koopman Predictors for Non-stationary Time Series
Koopa เป็นโมเดลการเรียนรู้เชิงลึกสำหรับการพยากรณ์อนุกรมเวลาที่นำเสนอโดย Yong Liu, Chang Li, Jianmin Wang และ Mingsheng Long ในงาน NeurIPS 2023 โมเดลนี้จัดการกับความท้าทายของภาวะไม่คงที่ (non-stationarity) โดยการแยกอนุกรมเวลาออกเป็นองค์ประกอบที่คงที่ (stationary) และไม่คงที่ (non-stationary) จากนั้นจึงสร้างแบบจำลองพลวัตที่ไม่คงที่โดยใช้การประมาณค่าตัวดำเนินการ Koopman (Koopman operator) ที่ได้จากการเรียนรู้ ซึ่งเป็นกรอบการทำงานทางคณิตศาสตร์ที่ยก (lift) ระบบที่ไม่เป็นเชิงเส้น (nonlinear systems) ไปสู่ปริภูมิเชิงเส้น (linear space) เพื่อการพยากรณ์ระยะยาวที่สามารถจัดการได้
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/th/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: แบบจำลองเชิงเส้นแบบแยกส่วนสำหรับการพยากรณ์อนุกรมเวลาการเรียนรู้เชิงลึก↔ compare
- Transformer ไม่คงที่การเรียนรู้เชิงลึก↔ compare
- แบบจำลองปริภูมิสถานะ (ตัวกรองคาลมาน)เศรษฐมิติ↔ compare