Koopa: Learning Non-stationary Time Series Dynamics with Koopman Predictors

概述

Koopa 是清华龙明盛组发表于 NeurIPS 2023 的时序预测模型，利用 koopman-theory 从根本上处理non-stationary-time-series的时变动力学。核心创新：用 fourier-filter-dynamics 解耦时变/时不变分量，再用 koopman-predictor 在测量空间中线性推进各自动力学。

真实世界时间序列的 non-stationary-time-series 导致时变统计特性和时间依赖在不同时段间漂移，训练-推理分布鸿沟巨大。先前方法只从架构层面缓解症状，未从理论基础处理时变模式。

koopman-theory 将非线性动力学映射到无限维线性空间：K ∘ g(x_t) = g(x_{t+1})。fourier-filter-dynamics 将序列分解为时变（高频）和时不变（低频）分量，各自送入独立的 koopman-predictor。

可堆叠的 Koopa Block：Fourier Filter → Koopman Predictor，逐层解耦和利用层级动力学。深度残差结构实现端到端优化，无需先前方法的koopman-autoencoder。