DeepKoopFormer：一种基于Koopman增强的Transformer架构用于时间序列预测

为何更智能的预测很重要

从天气与能源规划到金融市场，许多重大决策都依赖于预测事物随时间的变化。这些“时间序列”——如风速、电力产出或币价等测量流——正变得更长、更嘈杂、也更复杂。现代人工智能工具（称为Transformer）可以处理这些数据，但它们常常表现得像黑箱，并且在被要求远期预测时可能出现不稳定。本文提出了DeepKoopFormer，这是一种在保留Transformer预测能力的同时引入数学结构的方法，以使其行为在长时域上更稳定、更可解释、更可靠。

引用: Forootani, A., Khosravi, M. & Barati, M. DeepKoopFormer: a Koopman enhanced transformer based architecture for time series forecasting. npj Artif. Intell. 2, 35 (2026). https://doi.org/10.1038/s44387-026-00085-3

关键词: 时间序列预测, Transformer 模型, Koopman 算子, 稳定动力学, 气候与能源数据