用于长期时间序列预测的增广可逆 Koopman 自编码器
机器学习
2025-06-06 v2 机器学习
摘要
继动态模式分解及其众多扩展被引入之后，最近提出了许多基于神经自编码器的 Koopman 算子实现。这类方法对于动力系统建模似乎具有吸引力，既可以直接长期预测状态的演化，也可以作为下游方法的强大嵌入。特别是，最近的一系列工作开发了可逆 Koopman 自编码器（IKAE），得益于其基于耦合层归一化流模型的分析可逆编码器，它们能够对输入状态进行精确重建。我们发现归一化流所施加的维度守恒是 IKAE 模型的局限性，因此我们提出用第二个不可逆编码器网络来增广潜在状态。这产生了我们的新模型：增广可逆 Koopman 自编码器（AIKAE）。我们通过一系列长期时间序列预测实验证明了 AIKAE 的相关性，实验涉及卫星图像时间序列以及一个基于大观测回溯窗口进行预测的基准测试。
关键词
引用
@article{arxiv.2503.12930,
title = {Augmented Invertible Koopman Autoencoder for long-term time series forecasting},
author = {Anthony Frion and Lucas Drumetz and Mauro Dalla Mura and Guillaume Tochon and Abdeldjalil Aïssa-El-Bey},
journal= {arXiv preprint arXiv:2503.12930},
year = {2025}
}