QTSMixer 是一种混合量子-经典模型，通过解决 TSMixer 在周期性信号和长期预测方面的局限性，提升了网络流量预测性能。该模型引入了由可训练参数控制的量子神经网络组件，在真实数据的长期预测中，其表现优于 TSMixer 达 6.72%。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文内容
摘要
摘要
网络流量预测是时间序列分析的一项关键应用，对于网络管理与优化至关重要。传统的统计模型和机器学习方法已被用于网络流量预测，其中多层感知混合架构（特别是TSMixer）的最新进展已达到最先进的性能水平。然而，TSMixer在处理周期性信号和长期预测方面仍面临挑战。为解决这些局限性，我们提出了一种量子TSMixer（QTSMixer）模型，这是一种混合型量子-经典方法，利用量子神经网络增强与周期性信号及长期依赖关系相关的特征提取能力。通过引入可训练参数以调控量子组件的作用强度，构建出多层感知器与量子神经网络相结合的混合结构。通过对真实数据集的实证分析，验证了QTSMixer在跨领域应用中的潜力及其实际应用能力，在长期网络流量预测数据集中，QTSMixer的性能优于TSMixer达6.72%。未来，QTSMixer的发展可进一步拓展至其他领域，如金融市场分析和天气预测。
引言
网络流量预测（Network Traffic Prediction, NTP）1,2,3作为时间序列分析的重要应用4,5，涉及对历史网络流量数据的分析，以识别其中的模式与趋势，从而预测未来的流量变化。该技术对网络管理与优化至关重要，可协助网络运营商进行资源分配、故障诊断、安全监控以及服务质量保障。NTP问题已被统计模型和机器学习方法广泛研究3。近年来，基于多层感知机混合器（Multi-Layer Perception Mixer, MLP-Mixer）6,7的架构因其强大的捕捉多变量时间序列依赖关系的能力，在NTP任务中日益流行。其中，TSMixer8因其卓越的运行速度和轻量级设计脱颖而出，并在多个基准数据集上达到了最先进的（State-Of-The-Art, SOTA）性能水平9。TSMixer通过时间维度与特征维度的混合操作，能够更有效地捕捉时间依赖性以及特征间的相关性....
访问受限。请登录或开始试用以查看此内容。
方案
QTSMixer 方法
设 
为长度为 sl、通道数为 c 的多变量时间序列。多变量预测任务定义为：给定历史数据 
，通过预测模型
访问受限。请登录或开始试用以查看此内容。
结果
我们对一些数据集进行了详细的实证分析。第一个实验基于LTNTF数据集。这三个城市表现出明显不同的数据分布模式：城市A在年初的交通流量出现显著低谷；城市B在同一时期保持相对较高的数值，而城市C则全年分布更为均衡，详见补充图 S1、补充图 S2和补充图 S3。实验结果汇总于表1中，其中量子电路模块由DeepQuantum（DQ）框架实现。模型预测结果经过反归一化处理，并采用平均绝对百分比误差（MAPE）和均方根误差（RMSE）作为主要评估指标。与经典模型相比，QTSMixer模型在测试集上表现出更强的泛化能力，性能优于TSMixer 6.72%。在图2和图3中，预测值与真实值的可视化对比进一步验证了该模型的鲁棒性与准确性。
访问受限。请登录或开始试用以查看此内容。
讨论
本文提出了一种用于长期NTP的QTSMixer，这是一种在准确性和跨域适应性方面均有提升的新型量子-经典混合方法。本研究不仅拓展了量子计算在时间序列预测中的应用潜力，还为其未来在真实量子硬件上的部署指明了方向。然而，当前的量子-经典混合架构在处理外生变量方面能力有限。未来的改进可引入通道混合模块，以增强跨变量信息提取能力，同时保持量子计算的高效性。
在此，基于QNN和MLP的QTSMixer模型在处理NTP问题时比TSMixer具有更高的预测精度。据我们所知，QTSMixer是首个用于长期NTP的量子-经典混合模型。
量子-经典混合架构：
QTSMixer 采用了一种量子-经典混合架构。在 QTSMixer 中，量子处理层被嵌入到传统的时间序列模型中。这些量子层更擅长提取与数据中周期性信号和长期依赖关系相关的特征。
跨领域应用潜力：
QTSMixer 的设计不限于特定类型的时间序列数据。其.......
访问受限。请登录或开始试用以查看此内容。
披露
作者声明不存在任何竞争性经济利益。
致谢
感谢池玉林、Gang Xi Wang、李新 Ying、Yi Xin 和王飞的深入讨论。
....访问受限。请登录或开始试用以查看此内容。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| DeepQuantum | TuringQ Co., Ltd. | https://deepquantum.turingq.com/ | 由 TuringQ 开发的用于量子机器学习和光学量子计算的高效编程框架。 |
| Qiskit | IBM | https://www.ibm.com/quantum/qiskit | 一个开源的软件开发工具包，用于在扩展量子电路、算子和基本操作层面与量子计算机进行交互。 |
| ibm_brisbane | IBM | https://quantum.ibm.com/ | IBM Quantum Eagle 系列中的超导量子计算机。 |
| LTNTF 数据集 | 中国移动 | https://jiutian.10086.cn/open/#/dataset/710012?platform=OpenInnovation | 该数据集来源于中国移动的九天人工智能平台。 |
| python3.10 | Python 软件基金会 | https://www.python.org/downloads/release/python-3100/ | |
| 量子重加载技术 | Pérez-Salinas, A., Cervera-Lierta, A., Gil-Fuster, E., Latorre, J. I. Data re-uploading for a universal quantum classifier. Quantum. 4 226 (2019)。 | https://doi.org/10.22331/q-2020-02-06-226 | |
| BasicTS+ 框架 | 邵志远 等. 探索多元时间序列预测的进展：全面基准测试与异质性分析. IEEE Transactions on Knowledge and Data Engineering. 37 291-305 (2023)。 | arXiv:2310.06119v2 | |
| GPU A100 | NVIDIA | 80G GPU | |
| Transformers | Hugging Face | https://huggingface.co/ | 机器学习社区协作开发模型、数据集和应用的平台。 |
参考文献
- Joshi, M., Theyazn, H. H. A review of network traffic analysis and prediction techniques. arXiv preprint. , (2015).
- 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).....
访问受限。请登录或开始试用以查看此内容。
重印与许可
本文已发表
视频即将推出