مقالة بحثية

نموذج هجين كمي كلاسيكي للتنبؤ بحركة مرور الشبكة على المدى الطويل

DOI:

10.3791/68229

⸱

يونيو 27, 2025

 ,  ,  ,  ,  ,  , 
1China Mobile Research Institute, 2TuringQ Co., Ltd.

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعزز QTSMixer ، وهو نموذج هجين كمي كلاسيكي ، التنبؤ بحركة مرور الشبكة من خلال معالجة قيود TSMixer في الإشارات الدورية والتنبؤات طويلة الأجل. يقدم مكونات الشبكة العصبية الكمومية التي يتم التحكم فيها بواسطة معلمات قابلة للتدريب ، متفوقا على TSMixer بنسبة 6.72٪ في التنبؤات طويلة المدى على بيانات العالم الحقيقي.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعد التنبؤ بحركة مرور الشبكة ، وهو تطبيق مهم لتحليل السلاسل الزمنية ، أمرا ضروريا لإدارة الشبكة وتحسينها. تم استخدام النماذج الإحصائية التقليدية وطرق التعلم الآلي للتنبؤ بحركة مرور الشبكة ، حيث حققت التطورات الحديثة في معماريات خلاط الإدراك متعدد الطبقات ، وخاصة TSMixer ، أحدث الأداء. ومع ذلك ، يواجه TSMixer تحديات مع الإشارات الدورية والتنبؤات طويلة المدى. لمعالجة هذه القيود ، نقترح نموذج Quantum TSMixer (QTSMixer) ، وهو نهج هجين كلاسيكي كمي يستفيد من الشبكات العصبية الكمومية لتحسين استخراج الميزات المتعلقة بالإشارات الدورية والتبعيات طويلة المدى. من خلال إدخال معلمات قابلة للتدريب للتحكم في قوة المكونات الكمومية ، يتم إنشاء الهيكل الهجين للإدراك متعدد الطبقات والشبكة العصبية الكمومية. يتم إثبات إمكانات التطبيق عبر المجالات والقدرة العملية على التطبيق من خلال التحليل التجريبي لمجموعات البيانات في العالم الحقيقي ، حيث تتفوق QTSMixer على TSMixer بنسبة 6.72٪ في مجموعة بيانات التنبؤ بحركة الشبكة طويلة الأجل. في المستقبل ، يمكن استكشاف تطوير QTSMixer بشكل أكبر في مجالات أخرى ، مثل تحليل الأسواق المالية والتنبؤ بالطقس.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يتضمن التنبؤ بحركة مرور الشبكة (NTP) 1،2،3 ، كتطبيق أساسي لتحليل السلاسل الزمنية4،5 ، تحليل بيانات حركة مرور الشبكة التاريخية لتحديد الأنماط والاتجاهات ، وبالتالي التنبؤ بتغيرات حركة المرور المستقبلية. إنه أمر بالغ الأهمية لإدارة الشبكة وتحسينها ، حيث يمكن أن يساعد مشغلي الشبكات في تخصيص الموارد وتشخيص الأعطال ومراقبة الأمان وضمان جودة الخدمة. تمت دراسة مشكلة NTP جيدا من خلال النماذج الإحصائية وطرق التعلمالآلي 3. في الآونة الأخيرة ، أصبحت البنى القائمة على Multi-Layer Perception Mixer (MLP-Mixer) 6،7 شائعة في NTP نظرا لقدرتها القوية على التقاط تبعيات السلاسل الزمنية متعددة المتغيرات. من بينها ، يتميز TSMixer8 بسرعته الاستثنائية وتصميمه خفيف الوزن وقد حقق أداء حديثا (SOTA) على مجموعات البيانات المعيارية9. يمكن ل TSMixer التقاط الاعتماد على الوقت والارتباط بين الميزات بشكل أفضل من خلال التشغيل الهجين للوقت وأبعاد الميزة. ومع ذلك ، فإن TSMixer له العيوب التالية. أولا ، إنه غير مناسب للتعامل مع الإشارات الدورية. الإشارات الدورية مستقرة ومقاومة للتداخل وسهلة التحليل ، مما يجعلها ذات قيمة عالية في الاتصالات وأنظمة الطاقة وأنظمة التحكم. نظرا لأن TSMixer يعتمد على MLP الذي يكون نموذجه الأولي الرياضي دالة غير دورية ، فإن TSMixer مناسب لمعالجة الإشارات غير الدورية ولكنه لا يتناسب بشكل جيد عند معالجة الإشارات الدورية. ثانيا ، لا يعمل بشكل جيد عند إجراء تنبؤات طويلة المدى حيث تعيقه قيود ذاكرة الكمبيوتر الحالية وتراكم الأخطاء في التنبؤ. في الوقت الحاضر ، تتمتع معظم النماذج بأداء ضعيف في التعامل مع التنبؤ بالسلاسل الزمنية طويلة الأجل. هذه مشكلة ملحة تحتاج إلى حل في مجال التنبؤ بالسلاسل الزمنية. على الرغم من أن TSMixer قد حقق نتائج جيدة ، إلا أنه لا يزال هناك مجال للتحسين. لذلك ، من الأهمية بمكان البحث عن استراتيجيات جديدة لتجنب هذه العيوب.

الحوسبة الكمومية10 هي نموذج حوسبة جديد يعتمد على قوانين ميكانيكا الكم ، والتي يمكنها معالجة كميات هائلة من البيانات بكفاءة وأمان. الشبكات العصبية الكمومية (QNNs)11،12،13 هي نوع من نماذج الحوسبة التي تجمع بين الحوسبة الكمومية والشبكات العصبية الكلاسيكية ، والتي لها مجموعة واسعة من التطبيقات في معالجة الصور والتعرف على الكلام والتنبؤ بالأمراض. إنهم يستغلون خصائص الحوسبة الكمومية ، مثل التراكب والتشابك ، لمعالجة المعلومات وأداء مهام التعلم الآلي ، مما يؤدي إلى محاكاة أفضل أو حساب أسرع أو ميزة كمية من حيث أداء الشبكة. في الآونة الأخيرة ، تم التحقيق في بعض الأساليب في عالم QNN للتنبؤ بالسلاسلالزمنية 14،15،16،17،18،19. يمكن لنماذج السلاسل الزمنية الكمومية أن تتفوق على النماذج التقليدية من حيث دقة التنبؤ والكفاءة الحسابية ، خاصة عند التعامل مع البيانات المعقدة متعددة الأبعاد. من ناحية ، يمكن التعبير عن QNN كسلسلة فورييه ، وهي دالة دورية ومناسبة لمعالجة الإشارات الدورية. من ناحية أخرى ، نجحت بعض تطبيقات QNN في السلاسل الزمنية. لذلك ، من الأهمية بمكان استكشاف دور QNN في NTP ، وخاصة NTP على المدى الطويل.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

منهجية QTSMixer

لنفترض figure-protocol-1 أن تكون سلسلة زمنية متعددة المتغيرات من طول SL وعدد القنوات c. يتم تعريف مهمة التنبؤ متعدد المتغيرات على أنها التنبؤ بالقيم figure-protocol-2 المستقبلية بالنظر إلى بعض التاريخ figure-protocol-3 بواسطة نموذج figure-protocol-4التنبؤ ، والذي يمكن صياغته على النحو التالي

figure-protocol-5

أين figure-protocol-6 هو طول تسلسل التنبؤ ويشير figure-protocol-7 إلى قيمة التنبؤ. في QTSMixer ، دع XL×C يشير إلى السلسلة الزمنية الأصلية متعددة المتغيرات للطول L وعدد القنوات c. نقوم بإدخال السلاسل الزمنية متعددة المتغيرات حسب الدفعة figure-protocol-8 الصغيرة ، حيث ≤ sl و L و b هو حجم الدفعة. كما هو موضح في الشكل 1 ، يتكون نموذج QTSMixer من أربعة مكونات: التطبيع ، وتضمين التصحيح ، وخلط الطبقات ، والتنبؤ. في مرحلة التدريب ، يتم حساب فقدان النموذج بواسطة وظيفة figure-protocol-9 خسارة متوسط الخطأ التربيعي (MSE) لتحقيق أفضل ملاءمة. يمكن وصف QTSMixer بأنه

figure-protocol-10

حيث θ هو متجه المعلمة القابل للتدريب ويتم تحديثه عن طريق هبوط التدرج العشوائي.

figure-protocol-11
الشكل 1: البنية عالية المستوى ل QTSMixer. هنا نقسم QTSMixer إلى أربعة مكونات: التطبيع ، وتضمين التصحيح ، وخلط الطبقات ، والتنبؤ. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

بعد ذلك ، سنقوم بتفصيل مكونات نموذج QTSMixer.

التطبيع

تبدأ عملية الانتشار الأمامي ل QTSMixer بتلقي بيانات figure-protocol-12 السلاسل الزمنية للإدخال. أولا ، يتم تطبيع بيانات الإدخال وتوحيدها بواسطة PatchTSMixer StandardScaler8 أو أدوات قياس أخرى للتخلص من اختلافات الأبعاد بين الميزات وضمان استقرار أداء البيانات أثناء التدريب.

تضمين التصحيح

أولا ، يتم تقسيم بيانات السلاسل الزمنية الموحدة إلى مقاطع متعددة ذات طول ثابت (تصحيحات) من خلال وحدة التصحيح. تصميم النموذج هذا مستوحى من Ekambaram et al.8 ، وتم تحسين القدرة على التقاط الميزات المحلية من خلال تقسيم التصحيحات. من خلال تقسيم التصحيح ، يمكن ل QTSMixer التعامل بشكل فعال مع أنماط بيانات السلاسل الزمنية المعقدة ، وتقليل عدد رموز إدخال النموذج ، وتحقيق نتائج أفضل في وقت تدريب أقصر. يتم إعادة تشكيل الدفعة figure-protocol-13 الصغيرة إلى figure-protocol-14، حيث n هو عدد البقع ويشير pl إلى طول الرقعة. دعنا نشير إلى خطوة الترقيع ، إذن figure-protocol-15 .

لزيادة القوة التعبيرية للنموذج ، يتم تعيين كل رقعة إلى مساحة ذات أبعاد أعلى من خلال طبقة خطية. بعد ذلك ، يتم إعادة تشكيل البيانات عن figure-protocol-16 طريق التحويل figure-protocol-17الخطي ، حيث hf هو عدد الميزات المخفية. مصفوفة الوزن لها أبعاد pl × hf.

طبقات الخلط

في هذا الجزء ، يتم خلط أبعاد التصحيح والميزة والقناة من خلال طبقات خلط متعددة. بناء على البعد قيد التركيز في كل طبقة خلاط ، يتم تبديل المدخلات أولا وفقا لذلك لمعرفة الارتباط على طول البعد المركز. بعد ذلك ، يتم استخراج المعلومات عن طريق تطبيع الطبقة ، و MLP ، و QNN ، وآلية الانتباه المسور (GA) لاستخراج معلومات أكثر شمولا عن الميزة.

في طبقة خلط التصحيح ، يتم إعادة تشكيل الإدخال أولا إلى figure-protocol-18 ، حيث نركز على بعد التصحيح (أي البعد الأخير) ؛ ثم يتم إجراء تطبيع الطبقة. بعد ذلك ، تستخدم هذه الوحدة MLP مشتركا (بعد الوزن n × n) لمعرفة العلاقة بين التصحيحات المختلفة. وفي الوقت نفسه ، يتم تحقيق QNN من خلال تقنية إعادة التحميل الكمي20 لتعزيز قدرة التعبير عن الطبقة الكمومية. تحتوي الدائرة الكمومية في QNN على إجمالي طبقات ql ، وتحتوي الطبقة iعلى دائرة تشفير Ux و ansatz figure-protocol-19، حيث θi هو متجه المعلمة القابل للتدريب و i = 1 ، 2 ، ... ، ql. بعد عملية الإضافة المرجحة ، ينتج النموذج بنية هجينة من MLP و QNN ، تمت صياغتها للمكون figure-protocol-20 الأول لبعد التصحيح ، لدمج قدرات استخراج الميزات الكلاسيكية والكمومية بشكل فعال. لاحظ أن α i هنا هي معلمة قابلة للتدريب بقيمة أولية تبلغ 0 ، مما يشير إلى مدى قوة إدخال السلوك الكمي. أخيرا ، تعمل GA8 على رفع مستوى الميزات السائدة بشكل احتمالي وتقليص الميزات غير المهمة. تعمل طبقة خلط المعالم وطبقة خلط القناة بطريقة مماثلة.

بعد طبقات خلط متعددة ، تتم معالجة البيانات ك figure-protocol-21.

التنبؤ

في طبقة التنبؤ، تتم إعادة تشكيل البيانات أولا إلى figure-protocol-22. يتم التنبؤ بالقيم المستقبلية من خلال رأس التنبؤ الكلاسيكي8 - يتم تسطيح الميزات المشفرة وإدخالها في طبقة خطية كلاسيكية مع تسرب لإنشاء تنبؤ figure-protocol-23 بالقيم المستقبلية.

النتائج التجريبية

أجرينا تحليلا تجريبيا مفصلا لمجموعة بيانات العالم الحقيقي ، أي مجموعة بيانات التنبؤ بحركة مرور الشبكة طويلة الأجل (LTNTF)21 ، وثلاث مجموعات بيانات عامة شائعة أخرى. تستند التجربة الأولى إلى مجموعة بيانات LTNTF21 ، والتي توفر بيانات حركة المرور كل ساعة ومعلومات العطلات لثلاث مدن A و B و C ، في شبكة العالم الحقيقي من 1 يناير 2017 إلى 20 فبراير 2019. تتمثل المهمة في استخدام البيانات التاريخية لإنشاء نموذج مناسب للتنبؤ بقيم حركة المرور بالساعة لكل مدينة لمدة 95 يوما القادمة. يكمن تفرد مجموعة البيانات في أصالتها وطبيعتها طويلة الأجل ، حيث تقدم بيانات مفصلة عن حركة مرور الشبكة كل ساعة تغطي مدن متعددة على مدار أكثر من 800 يوم. يتم تلخيص النتائج التجريبية في الجدول 1 والشكل 2 والشكل 3. لإعادة إنتاج التجربة ، راجع README.md في Experiment_1_LTNFT في الملف التكميلي 1.

الجدول 1: مقارنة الأداء بين QTSMixer و TSMixer في مجموعة بيانات LTNTF. هنا يتم استخدام MAPE و RMSE كمقاييس التقييم الرئيسية ، وتشير القيم المنخفضة إلى أداء أفضل. الرجاء النقر هنا لتنزيل هذا الجدول.

figure-protocol-24
الشكل 2: مقارنة نتائج التنبؤ ل TSMixer و QTSMixer. هنا نختار بشكل عشوائي ثلاث عينات من ثلاث مدن ونقدم المقارنة المرئية بين القيم الحقيقية والقيم المتوقعة ل TSMixer و QTSMixer. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-protocol-25
الشكل 3: مقارنة نتائج التنبؤ لحالة خاصة من TSMixer و QTSMixer. هنا يتم اختيار العينات ذات أفضل أداء QTSMixer. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

تستند التجربة الثانية إلى إطار عمل BasicTS + (السلسلة الزمنية الأساسية) 22 ، وهو عبارة عن مكتبة معيارية وصندوق أدوات للتنبؤ بالسلاسل الزمنية. وهو يدعم مجموعة متنوعة من المهام ومجموعات البيانات ، مثل التنبؤ المكاني والزماني والتنبؤ بالسلاسل الطويلة ، ويغطي النماذج الإحصائية ونماذج التعلم الآلي ونماذج التعلم العميق والخوارزميات الأخرى. يوفر BasicTS + منصة عادلة وشاملة لتكرار ومقارنة نماذج التعلم العميق الشائعة من خلال عملية موحدة وموحدة. يشتمل معيار BasicTS على سبع مجموعات بيانات مترابطة بعناية للسلاسل الزمنية متعددة المتغيرات (MTS) تغطي مجالات متنوعة في العالم الحقيقي لتمكين التقييم الدقيق لنماذج التنبؤ. تتضمن المجموعة مجموعات بيانات حركة المرور (PEMS04 / 08 لمراقبة التدفق) ، وسجلات استهلاك الطاقة (الكهرباء / Etth1 / Ettm1) ، والمؤشرات الاقتصادية (سعر الصرف) ، والقياسات البيئية (جودة الهواء في بكين). النتائج التجريبية موضحة في الجدول 2. لإعادة إنتاج التجربة ، راجع README.md في Experiment_2_Basicts في الملف التكميلي 1.

الجدول 2: مقارنات الأداء بين QTSMixer والنماذج الأخرى على مجموعات البيانات المختلفة لإطار عمل BasicTS +. هنا يتم استخدام MAE و WAPE و RMSE كمقاييس تقييم ، وتشير القيم المنخفضة إلى أداء أفضل. يتم تجميع النماذج ذات عدد المعلمات المتشابهة. الرجاء النقر هنا لتنزيل هذا الجدول.

تتضمن التجربة الثالثة تحليلا مقارنا بين جهاز المحاكاة الكمومية والكمبيوتر الكمومي الحقيقي. تقارن هذه التجربة أداء Qiskit وإطار عمل DQ من خلال تقييم تطبيقات QTSMixer الخاصة بهما. تم تقييم دقة وكفاءة تنفيذ كلا الإطارين في مهام التنبؤ. يتم استخدام الكمبيوتر الكمومي فائق التوصيل ، ibm_brisbane ، في هذه التجربة. النتائج التجريبية موضحة في الشكل 4 والجدول 3. لإعادة إنتاج التجربة ، راجع README.md في Experiment_3_Qiskit في الملف التكميلي 1.

figure-protocol-26
الشكل 4: مقارنة نتائج التنبؤ ل Qiskit (على الأجهزة الكمومية) و DQ (على جهاز المحاكاة). مقارنة بين القيم والتنبؤات الفعلية ، مع التنبؤات المستمدة من تجارب Qiskit و DQ. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

الجدول 3: مقارنة أداء QTSMixer بين الأجهزة الكمومية وتجارب المحاكاة. هنا ، يتم استخدام MAPE و RMSE كمقاييس التقييم الرئيسية ، وتشير القيم المنخفضة إلى أداء أفضل. الرجاء النقر هنا لتنزيل هذا الجدول.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أجرينا تحليلا تجريبيا مفصلا لبعض مجموعات البيانات. تستند التجربة الأولى إلى مجموعة بيانات LTNTF. أظهرت المدن الثلاث أنماطا مميزة لتوزيع البيانات: أظهرت المدينة A نقطة منخفضة كبيرة في تدفق حركة المرور في بداية العام. حافظت المدينة ب على قيم عالية نسبيا خلال نفس الفترة ، بينما أظهرت المدينة C توزيعا أكثر توازنا على مدار العام ، انظر الشكل التكميلي S1 ، والشكل التكميلي S2 ، والشكل التكميلي S3

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

في هذه الورقة ، اقترحنا QTSMixer ل NTP طويل الأجل ، وهو نهج هجين كلاسيكي كمي جديد مع تحسينات في الدقة والقدرة على التكيف عبر المجالات. لا تعمل هذه الدراسة على توسيع إمكانات تطبيق الحوسبة الكمومية في التنبؤ بالسلاسل الزمنية فحسب ، بل تشير أيضا إلى اتجاه نشرها المستقبلي على الأجهزة الكمومية الحقيقية. ومع ذلك ، فإن البنية الهجينة الكلاسيكية الكمومية الحالية تظهر قدرة محدودة في معالجة المتغيرات الخارجية. يمكن أن تتضمن التحسينات المستقبلية كتلة خلط القنوات لتعزيز استخراج المعلومات عبر المتغيرات مع الحفاظ على الكفاءة الكمومية....

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ويعلن أصحاب البلاغ أنه ليس لديهم مصالح مالية متنافسة.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نشكر يولين تشي ، وانغ شي وانغ ، وشينينغ لي ، وشين يي ، وفاي وانغ على مناقشاتهم الثاقبة.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
شركة DeepQuantumTuringQ المحدودةhttps://deepquantum.turingq.com/إطار برمجة فعال للتعلم الآلي الكمي والحوسبة الكمومية البصرية التي طورتها TuringQ.
QiskitIBMhttps://www.ibm.com/quantum/qiskitSDK مفتوح المصدر للعمل مع أجهزة الكمبيوتر الكمومية على مستوى الدوائر الكمومية الممتدة والمشغلين والبدائيين.
ibm_brisbaneIBMhttps://quantum.ibm.com/الكمبيوتر الكمومي فائق التوصيل في عائلة IBM Quantum Eagle.
مجموعة بيانات LTNTFChina Mobilehttps://jiutian.10086.cn/open/#/dataset/710012?platform=OpenInnovationتأتي مجموعة البيانات من منصة Jiutian الذكاء الاصطناعي لشركة China Mobile.
python3.10Python Software Foundationhttps://www.python.org/downloads/release/python-3100/
تقنية إعادة تحميل الكمP & eacute; rez-Salinas ، A. ، Cervera-Lierta ، A. ، Gil-Fuster ، E. ، Latorre ، J. I. إعادة تحميل البيانات لمصنف كمي عالمي. الكم. 4 226 (2019).https://doi.org/10.22331/q-2020-02-06-226
إطار عمل BasicTS +Shao، Z. et al. استكشاف التقدم المحرز في التنبؤ بالسلاسل الزمنية متعددة المتغيرات: المقارنة المعيارية الشاملة وتحليل عدم التجانس. معاملات IEEE في المعرفة وهندسة البيانات. 37 ، 291-305 (2023).arXiv: 2310.06119v2
GPU A100NVIDIA80G
GPU TransformersHugging Facehttps://huggingface.co/النظام الأساسي الذي يتعاون فيه مجتمع التعلم الآلي في النماذج ومجموعات البيانات والتطبيقات.

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Joshi, M., Theyazn, H. H. A review of network traffic analysis and prediction techniques. arXiv preprint. , (2015).
  2. Ferreira, G. O., Ravazzi, C., Dabbene, F., Calafiore, G. C., Fiore, M. Forecasting network traffic: A survey and tutorial with open-source comparative evaluation. IEEE Access. 11, 6018-6044 (2023).
  3. Weiwei, J. Cellular traffic prediction with machine learning: A survey. Expert Syst Appl. 201, 117163(2022).
  4. Wei, W. W. S. Multivariate time series analysis and applications. , John Wiley & Sons. (2019).
  5. Multivariate time series forecasting: A review. Mendis, K., Wickramasinghe, M., Marasinghe, P. CVIPPR 2024: 2024 2nd Asia Conference on Computer Vision, Image Processing and Pattern Recognition, , (2024).
  6. Zheng, Y., Dang, Z., Peng, C., Yang, C., Gao, X. Multi-view multi-label anomaly network traffic classification based on MLP-mixer neural network. arXiv preprint. , (2022).
  7. Tolstikhin, I. O., et al. MLP-mixer: An all-MLP architecture for vision. arXiv preprint. , (2021).
  8. Ekambaram, V., Jati, A., Nguyen, N., Sinthong, P., Kalagnanam, J. TSMixer: Lightweight MLP-Mixer Model for Multivariate Time Series Forecasting. arXiv. , (2023).
  9. Ekambaram, V., et al. Tiny time mixers (ttms): Fast pre-trained models for enhanced zero/few-shot forecasting of multivariate time series. arXiv preprint. ArXiv. , (2024).
  10. Nielsen, M. A., Chuang, I. L. Quantum computation and quantum information: 10th Anniversary Edition. , Cambridge: Cambridge University Press. (2010).
  11. Beer, K., et al. Training deep quantum neural networks. Nat Commun. 11 (1), 808(2020).
  12. Amira, A., et al. The power of quantum neural networks. Nat Comput Sci. 1, 403-409 (2020).
  13. Cong, I., Choi, S., Lukin, M. D. Quantum convolutional neural networks. Nat Phys. 15 (12), 1273-1278 (2019).
  14. Padha, A., Sahoo, A. Quantum deep neural networks for time series analysis. Quantum Inf Process. 23 (6), 205(2024).
  15. Evolving Hybrid Quantum-Classical GRU Architectures for Multivariate Time Series. De Falco, F., Lavagna, L., Ceschini, A., Rosato, A., Panella, M. 2024 IEEE 34th International Workshop on Machine Learning for Signal Processing (MLSP), , IEEE. 1-6 (2024).
  16. Hybrid quantum-classical recurrent neural networks for time series prediction. Ceschini, A., Rosato, A., Panella, M. in 2022 international joint conference on neural networks (IJCNN), , IEEE. 1-8 (2022).
  17. Huang, W., Zhang, J., Liang, S., Sun, H. Backbone network traffic prediction based on modified eemd and quantum neural network. Wirel Pers Commun. 99 (4), 1569-1588 (2018).
  18. Zhang, K., Liang, L., Huang, Y. A Network traffic prediction model based on quantum inspired PSO and neural network. 2013 Sixth International Symposium on Computational Intelligence and Design. 2, 219-222 (2013).
  19. Rivera-Ruiz, M. A., Mendez-Vazquez, A., López-Romero, J. M. Time series forecasting with quantum machine learning architectures. Advances in Computational Intelligence. , Springer Nature Switzerland. 66-82 (2022).
  20. Pérez-Salinas, A., Cervera-Lierta, A., Gil-Fuster, E., Latorre, J. I. Data re-uploading for a universal quantum classifier. Quantum. 4, 226(2020).
  21. Mobile, C. Long-term network traffic forecasting. , (2023).
  22. Shao, Z., et al. Exploring progress in multivariate time series forecasting: Comprehensive benchmarking and heterogeneity analysis. IEEE Transactions on Knowledge and Data Engineering. 37 (1), 291-305 (2023).
  23. Bharti, K., et al. Noisy intermediate-scale quantum algorithms. Rev Mod Phys. 94 (1), 015004(2022).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

Quantum Neural NetworksHybrid Quantum ClassicalTime Series AnalysisMulti Layer PerceptronTSMixer ModelLong Term PredictionFeature ExtractionPeriodic SignalsCross Domain Application
الفيديو قريباً

مقالات ذات صلة