PulseAugur
中
实时 11:04:30
English(EN) End-to-End Neural Decomposition with Koopman Operators for Time-Series Forecasting

新的 NDKoop 方法利用 Koopman 算子增强时间序列预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种名为神经分解 Koopman (NDKoop) 的新方法，用于时间序列预测。这个端到端的神经框架集成了信号分解和基于 Koopman 的网络，解决了非平稳信号建模的挑战。通过将信号分解为由 Koopman 算子控制的、与频率无关的趋势分量和与频率相关的周期分量，NDKoop 旨在提高在无法实现完美线性化的场景下的预测准确性。在各种预测基准上的实验证明了该方法的有效性。 AI

影响 这种新方法通过更好地处理复杂、非平稳数据，可以提高各种应用中预测模型的准确性。

排序理由 该集群包含一篇详细介绍时间序列预测新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的 NDKoop 方法利用 Koopman 算子增强时间序列预测

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · De-Yan Lu, Xugang Lu, Yu Tsao, Jian-Jiun Ding ·

    用于时间序列预测的具有Koopman算子的端到端神经分解

    arXiv:2608.08788v1 Announce Type: cross Abstract: Koopman theory offers a linear-operator view of nonlinear sequence dynamics by lifting observations into a space where evolution is governed by a linear time-invariant Koopman operator. While the Koopman operator provides a linear…

相关实体

相关话题