---
title: "Review: Koopa — Koopman 预测器驱动的非平稳时序学习"
created: 2026-05-11
type: review
sources: [[liu-koopa-2023]]
---

# Review: Koopa — Koopman 预测器驱动的非平稳时序学习

## 📌 基本信息

- **标题**：Koopa: Learning Non-stationary Time Series Dynamics with Koopman Predictors
- **作者**：Yong Liu, Chenyu Li, Jianmin Wang, Mingsheng Long (Tsinghua)
- **会议**：NeurIPS 2023
- **领域**：时间序列预测 / 动力系统 / 深度学习
- **添加时间**：2026-05-11

## 🎯 核心概念

1. **[[koopman-theory|Koopman 理论]]** — 将非线性动力学映射到无限维线性空间，用线性算子驱动
2. **[[fourier-filter-dynamics|Fourier Filter]]** — 频域解耦时变与时时不变分量
3. **[[koopman-predictor|Koopman 预测器]]** — 测量函数学习 + 线性算子 + 上下文感知
4. **[[non-stationary-time-series|非平稳时间序列]]** — 时变统计和时变依赖的核心挑战
5. **[[dynamic-mode-decomposition|DMD]]** — Koopman 算子的标准有限维近似
6. **[[koopman-autoencoder|KAE]]** — 深度学习 + Koopman 的融合框架
7. **[[time-variant-dynamics|时变动力学]]** — 局部时变算子的处理策略

## 🔗 概念网络

```
koopman-theory ←→ dynamic-mode-decomposition ←→ koopman-autoencoder
       ↓
koopman-predictor ←→ fourier-filter-dynamics
       ↓                    ↓
time-variant-dynamics   non-stationary-time-series
```

## 📚 Wiki 集成

| 指标 | 数值 |
|------|------|
| 新增页面 | 9 个（1 paper + 7 概念 + 1 raw） |
| 总规模 | 225 → 233 页 |
| 交叉引用 | 55 处，0 断链 |

## 💡 关键洞察

Koopa 的核心优雅在于**将非线性时序预测转化为线性算子问题**——这本质上是 Koopman 理论 1931 年就揭示的洞见，但直到深度学习能自动学习测量函数 g 后才真正可落地。Fourier Filter 的频域解耦进一步让时变/时不变两种动力学各得其所，避免了传统归一化方法"一刀切"的信息损失。77% 的训练加速说明线性算子的计算优势在这一框架下得到了充分释放。

这篇与 wiki 中已有的 [[meta-jctrader|Meta-JCTrader]]（高频交易预测）和 [[probabilistic-method|概率方法]]（将复杂问题映射到易处理空间）形成了理论与应用的双向呼应。