Ein zeitlich konsistenter Koopman-Autoenkoder (tcKAE) wird eingeführt, um auch mit begrenzten und verrauschten Trainingsdaten genaue Langzeitvorhersagen zu ermöglichen. Dies wird durch einen Konsistenzregularisierungsterm erreicht, der die Vorhersagekohärenz über verschiedene Zeitschritte hinweg erzwingt, wodurch die Robustheit und Verallgemeinerungsfähigkeit von tcKAE gegenüber bestehenden Modellen verbessert wird.
Der Kern dieser Arbeit ist die Entwicklung eines Ansatzes zum Lernen einer Darstellung des Systemzustands, die die Dynamik des Systems genau erfasst. Dies ist entscheidend für das Lernen des Übergangsoperators oder des Generators des Systems, was wiederum für verschiedene Aufgaben wie Vorhersage und Interpretation der Systemdynamik verwendet werden kann.