FlightKooba：快速可解释的FTP模型

飞行轨迹预测 (FTP) 和类似时间序列任务通常需要捕获隐藏于噪声信号中的平滑潜在动态。然而，现有深度学习模型因其复杂的黑箱本质面临计算成本高和解释性不足的挑战。本文引入FlightKooba，这是一种新颖的建模方法，旨在从数据中解析这些潜在动态。我们的框架独特地集成了HiPPO理论、Koopman算子理论和控制理论。通过利用Legendre多项式基，构建Koopman算子解析地，无需大规模参数训练。该方法的核心优势在于其卓越的计算效率和内在可解释性。实验在多个公开数据集上验证了我们的设计理念：对于表现出强周期性或清晰物理规律的信号（例如在航空、气象和交通流领域），FlightKooba能够在保持竞争预测精度的同时，将可训练参数数量降低几个数量级，并实现最快的训练速度。此外，我们分析了该模型的理论边界，阐明了其固有的低通滤波特性，使其不适用于由高频噪声主导的序列。在总结中，FlightKooba为时间序列分析提供了一种强大、高效且可解释的新方法，特别适用于资源受限的环境。