Koopa: Передбачувачі Купмана для нестаціонарних часових рядів
Koopa — це модель глибокого навчання для прогнозування часових рядів, представлена Йонгом Лю, Чангом Лі, Цзяньмінь Вангом та Міншен Ліном на NeurIPS 2023. Вона вирішує проблему нестаціонарності шляхом розділення часового ряду на стаціонарні та нестаціонарні компоненти, а потім моделювання нестаціонарної динаміки за допомогою навченого наближення оператора Купмана — математичного каркаса, який піднімає нелінійні системи у лінійний простір для здійснення передбачень на довгий горизонт.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- Liu, Y., Li, C., Wang, J., & Long, M. (2023). Koopa: Learning non-stationary time series dynamics with Koopman predictors. NeurIPS. link ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 2). Koopa (Koopman Predictors for Non-stationary Dynamics). ScholarGate. https://scholargate.app/uk/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: Модель лінійного розкладу для прогнозування часових рядівГлибоке навчання↔ compare
- Нестаціонарний ТрансформерГлибоке навчання↔ compare
- Модель простір-стан (фільтр Калмана)Економетрика↔ compare
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →