KGO 时间序列预测方法发布

2026 年 11 月 4 日，Raz Marshanski 等人在 arXiv 发表一手报道，提出基于 Koopman 生成算子的 KGO 概率时间序列预测方法。该方法结合 Koopman Patch Embedding、Koopman Flow Matching 及自适应不确定性门控技术，通过单步生成机制消除迭代采样过程，使推理时间至少降低 25 倍。 在 ProbTS 基准测试中，KGO 方法展示了强劲性能，取得 13/17 CRPS 及 16/17 NMAE 的最优精度。此次发布标志着 KGO 方法在理论架构与效率指标上均取得实质性进展，为高效概率时间序列预测提供了新的解决方案。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。