38 lines
1.3 KiB
Markdown
38 lines
1.3 KiB
Markdown
---
|
||
title: "Koopman Predictor（Koopman 预测器）"
|
||
created: 2026-05-11
|
||
updated: 2026-05-11
|
||
type: concept
|
||
tags: [deep-learning, time-series, forecasting]
|
||
sources: [[liu-koopa-2023]]
|
||
---
|
||
|
||
# Koopman Predictor（Koopman 预测器）
|
||
|
||
## 定义
|
||
|
||
Koopman 预测器是 Koopa 模型的核心组件，负责在 Koopman 嵌入空间中推进系统动力学。它利用 [[koopman-theory|Koopman 理论]] 的线性性，将非线性时序预测转化为线性算子驱动的前向传播。
|
||
|
||
## 三个关键组件
|
||
|
||
### 1. 测量函数学习
|
||
用深度网络学习 Koopman 嵌入 g(x_t)，将原始状态映射到适合线性动力学的测量空间。
|
||
|
||
### 2. Koopman 算子
|
||
线性矩阵 K 作为隐式状态转移的线性肖像。由于算子在测量空间中是线性的，计算高效且可解释。
|
||
|
||
### 3. 上下文感知机制
|
||
对[[time-variant-dynamics|时变动力学]]，在局部时间邻域动态计算算子 K_t，捕捉动力学的局部变化——而非使用全局固定的 K。
|
||
|
||
## 工程优势
|
||
|
||
- **线性计算效率**：算子矩阵乘法替代复杂的非线性转移
|
||
- **滚动预测**：可利用真实观测逐步推进，扩展预测范围
|
||
- **端到端训练**：与 Fourier Filter 协同，无需重构损失绑定
|
||
|
||
## 相关概念
|
||
|
||
- [[koopman-theory|Koopman 理论]]
|
||
- [[fourier-filter-dynamics|Fourier Filter]]
|
||
- [[liu-koopa-2023|Koopa]]
|