NeurIPS 2023亮点：Koopa - 库普曼理论引领的非平稳时序预测新范式
清华大学软件学院机器学习研究团队THUML-LAB在NeurIPS 2023大会上推出了创新之作——Koopa，一款基于库普曼理论的卓越时序预测模型。由刘雍、李晨宇等学者共同研发，这款模型旨在应对复杂且非平稳的数据动态，展现出卓越的性能和效率。论文详情([1])，源代码开源在GitHub供研究者探索。
Koopa的独特之处在于其对非平稳数据的精准捕捉。它采用分层库普曼算子，将时间序列分解为稳定的时间不变成分和随时间变化的噪声，通过线性层实现高效预测，仅需传统方法的一小部分训练时间和内存。核心结构包括深度残差结构，能够适应时序数据的复杂变化。
模型设计巧妙，包含时不变预测器和时变预测器两个关键组件。时不变预测器以全局共享算子捕捉系统的基本动态，而局部化算子则针对每个时期的特性进行精细处理。通过堆叠结构，Koopa具备卓越的扩展性，能根据基础模块的组合进行灵活预测。
实验结果令人信服，Koopa在预测精度、计算效率和内存消耗上均优于KNF、DLinear和PatchTST等竞品，尤其在处理大规模交通流量等实时数据时，展现出强大性能。通过模块分析，我们进一步证实了分解策略和预测器之间的协同作用，以及模型在分离时变和不变成分方面的高效性。算子谱分析揭示了模型稳定性的提升，首次展示了时变分解和分层学习的优势。
更为智能的，Koopa引入了自适应滚动预测，与传统模型不同，它能随着数据变化动态调整，通过算子更新实时优化预测效果。这种灵活性使得Koopa在非平稳序列预测中展现出前所未有的适应性。
总结来说，库普曼理论驱动的Koopa模型在非平稳时序预测领域开创了新的可能，其卓越的预测性能、自适应性以及在经济等领域的广泛应用都值得深入研究。欲了解更多详细信息，请访问论文([1])和GitHub项目[2]。
注：[1] 博客链接 [2] 代码仓库链接