QTSMixer, ein hybrides quantenklassisches Modell, verbessert die Vorhersage des Netzwerkverkehrs, indem es die Einschränkungen von TSMixer bei periodischen Signalen und langfristigen Vorhersagen berücksichtigt. Es führt Komponenten des neuronalen Quantennetzwerks ein, die durch trainierbare Parameter gesteuert werden, und übertrifft TSMixer bei langfristigen Vorhersagen auf realen Daten um 6,72 %.
Forschungsartikel
Ein quantenklassisches Hybridmodell zur langfristigen Vorhersage des Netzwerkverkehrs
Wird in einem neuen Tab geöffnet
In diesem Artikel
Zusammenfassung
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Zusammenfassung
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Die Vorhersage des Netzwerkverkehrs, eine wichtige Anwendung der Zeitreihenanalyse, ist für das Netzwerkmanagement und die Netzwerkoptimierung unerlässlich. Traditionelle statistische Modelle und Methoden des maschinellen Lernens wurden für die Vorhersage des Netzwerkverkehrs eingesetzt, wobei die jüngsten Fortschritte bei mehrschichtigen Wahrnehmungsmischerarchitekturen, insbesondere TSMixer, eine hochmoderne Leistung erreicht haben. TSMixer steht jedoch vor Herausforderungen bei periodischen Signalen und langfristigen Vorhersagen. Um diese Einschränkungen zu beheben, schlagen wir ein Quantum TSMixer (QTSMixer)-Modell vor, einen hybriden quantenklassischen Ansatz, der quantenneuronale Netze für eine verbesserte Merkmalsextraktion in Bezug auf periodische Signale und langfristige Abhängigkeiten nutzt. Durch die Einführung trainierbarer Parameter zur Steuerung der Stärke der Quantenkomponenten wird die hybride Struktur aus Mehrschichtwahrnehmung und Quantenneuronalem Netz erzeugt. Das domänenübergreifende Anwendungspotenzial und die praktische Anwendungsfähigkeit von QTSMixer werden durch empirische Analysen von realen Datensätzen demonstriert, bei denen QTSMixer TSMixer im Datensatz zur Vorhersage des langfristigen Netzwerkverkehrs um 6,72 % übertrifft. In Zukunft kann die Entwicklung von QTSMixer in anderen Bereichen, wie z.B. der Finanzmarktanalyse und der Wettervorhersage, weiter erforscht werden.
Einleitung
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Die Vorhersage des Netzwerkverkehrs (Network Traffic Prediction (NTP)1,2,3 als wesentliche Anwendung der Zeitreihenanalyse 4,5 umfasst die Analyse historischer Netzwerkverkehrsdaten, um Muster und Trends zu identifizieren und dadurch zukünftige Verkehrsänderungen vorherzusagen. Es ist entscheidend für das Netzwerkmanagement und die Netzwerkoptimierung, da es Netzbetreiber bei der Ressourcenzuweisung, Fehlerdiagnose, Sicherheitsüberwachung und Servicequalitätssicherung unterstützen kann. Das NTP-Problem wurde mit statistischen Modellen und Methoden des maschinellen Lernens gut untersucht3. In jüngster Zeit werden Architekturen, die auf Multi-Layer Perception Mixer (MLP-Mixer)6,7 basieren, für NTP immer beliebter, da sie in der Lage sind, multivariate Zeitreihenabhängigkeiten zu erfassen. Unter ihnen zeichnet sich TSMixer8 durch seine außergewöhnliche Geschwindigkeit und sein geringes Gewicht aus und hat bei Benchmark-Datensätzen9 die State-of-The-Art (SOTA)-Leistung erreicht. TSMixer kann die Zeitabhängigkeit und die Korrelation zwischen Features durch den hybriden Betrieb von Zeit- und Feature-Dimensionen besser erfassen. TSMixer hat jedoch die folgenden zwei Nachteile. Erstens ist es nicht für den Umgang mit periodischen Signalen geeignet. Periodische Signale sind stabil, resistent gegen Störungen und leicht zu analysieren, was sie in Kommunikations-, Energie- und Steuerungssystemen sehr wertvoll macht. Da TSMixer auf MLP basiert, dessen mathematischer Prototyp eine aperiodische Funktion ist, eignet sich TSMixer für die Verarbeitung aperiodischer Signale, eignet sich aber nicht gut für die Verarbeitung periodischer Signale. Zweitens schneidet es bei langfristigen Vorhersagen nicht gut ab, da es durch die derzeitigen Speicherbeschränkungen des Computers und die Anhäufung von Fehlern bei der Vorhersage behindert wird. Gegenwärtig haben die meisten Modelle eine schlechte Leistung im Umgang mit langfristigen Zeitreihenvorhersagen. Dies ist ein dringendes Problem, das im Bereich der Zeitreihenvorhersage gelöst werden muss. Obwohl TSMixer gute Ergebnisse erzielt hat, gibt es noch Raum für Verbesserungen. Daher ist es von großer Bedeutung, nach neuen Strategien zu suchen, um diese Nachteile zu vermeiden.
Quantencomputing10 ist ein neues Computerparadigma, das auf den Gesetzen der Quantenmechanik basiert und riesige Datenmengen sowohl effizient als auch sicher verarbeiten kann. Quantum Neural Networks (QNNs)11,12,13 sind eine Art Rechenmodell, das Quantencomputing und klassische neuronale Netze kombiniert, die ein breites Anwendungsspektrum in der Bildverarbeitung, Spracherkennung und Krankheitsvorhersage haben. Sie nutzen die Eigenschaften des Quantencomputings, wie z. B. Superposition und Verschränkung, um Informationen zu verarbeiten und maschinelle Lernaufgaben durchzuführen, was zu besseren Simulationen, schnelleren Berechnungen oder Quantenvorteilen in Bezug auf die Netzwerkleistung führt. In jüngster Zeit wurden im QNN-Bereich einige Ansätze für die Zeitreihenvorhersage 14,15,16,17,18,19 untersucht. Quanten-Zeitreihenmodelle können traditionelle Modelle in Bezug auf Vorhersagegenauigkeit und Recheneffizienz übertreffen, insbesondere wenn es um komplexe mehrdimensionale Daten geht. Einerseits kann QNN als Fourier-Reihe ausgedrückt werden, was eine periodische Funktion ist und für die Verarbeitung periodischer Signale geeignet ist; Auf der anderen Seite waren einige Anwendungen von QNN in Zeitreihen erfolgreich. Daher ist es von großem Interesse, die Rolle von QNN bei NTP, insbesondere bei langfristiger NTP, zu untersuchen.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Protokoll
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
QTSMixer-Methodik
Sei 
eine multivariate Zeitreihe der Länge sl und der Anzahl der Kanäle c. Die multivariate Prognoseaufgabe ist definiert als die Vorhersage zukünftiger Werte
, die durch ein Prognosemodell 
in einer gewissen Historie 
versehen sind, das wie folgt formuliert werden kann:
Dabei 
ist die Länge der Prognosesequenz und 
gibt den Vorhersagewert an. In QTSMixer soll XL×C die ursprüngliche multivariate Zeitreihe der Länge L und die Anzahl der Kanäle c bezeichnen. Wir geben die multivariate Zeitreihe per Minibatch 
ein, wobei sl ≤ L und b die Chargengröße ist. Wie in Abbildung 1 gezeigt, besteht das QTSMixer-Modell aus vier Komponenten: Normalisierung, Patch-Embedding, Mischen von Schichten und Prognosen. In der Trainingsphase wird der Verlust des Modells mit der Verlustfunktion 
des mittleren quadratischen Fehlers () berechnet, um die beste Anpassung zu erzielen. Der QTSMixer kann charakterisiert werden wie folgt:
Dabei ist θ der trainierbare Parametervektor und wird durch den stochastischen Gradientenabstieg aktualisiert.
Abbildung 1: Die High-Level-Architektur von QTSMixer. Hier unterteilen wir QTSMixer in vier Komponenten: Normalisierung, Patch-Einbettung, Mischen von Schichten und Prognosen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Als nächstes werden wir die Modellkomponenten von QTSMixer detailliert beschreiben.
Normalisierung
Der Vorwärtspropagierungsprozess von QTSMixer beginnt mit dem Empfang der eingegebenen Zeitreihendaten 
. Zunächst werden die Eingabedaten durch den PatchTSMixer StandardScaler8 oder andere Scaler normalisiert und standardisiert, um die dimensionalen Unterschiede zwischen den Merkmalen zu beseitigen und die Stabilität der Datenleistung während des Trainings sicherzustellen.
Einbettung von Patches
Zunächst werden die standardisierten Zeitreihendaten durch das Patching-Modul in mehrere Segmente mit fester Länge (Patches) unterteilt. Dieses Modelldesign ist von Ekambaram et al.8 inspiriert, und die Fähigkeit, lokale Merkmale zu erfassen, wird durch die Aufteilung von Patches verbessert. Durch die Patch-Division kann QTSMixer effektiv mit komplexen Zeitreihen-Datenmustern umgehen, die Anzahl der Modelleingabe-Token reduzieren und bessere Ergebnisse in kürzerer Trainingszeit erzielen. Der Minibatch 
wird umgeformt in 
, wobei n die Anzahl der Patches und pl die Patchlänge angibt. Bezeichnen wir dann den Schritt des Patchens, dann 
.
Um die Ausdruckskraft des Modells zu erhöhen, wird jedes Patch durch eine lineare Schicht auf einen höherdimensionalen Raum abgebildet. Dann werden die Daten durch lineare Transformation 
umgeformt
, wobei hf die Anzahl der ausgeblendeten Merkmale ist. Die Gewichtsmatrix hat eine Dimension von pl × hf .
Schichten mischen
In diesem Teil werden die Patch-, Feature- und Kanaldimensionen durch mehrere Mischebenen gemischt. Basierend auf der Dimension, die in jeder Mixer-Ebene fokussiert ist, wird die Eingabe zunächst entsprechend permutiert, um die Korrelation entlang der fokussierten Dimension zu lernen. Anschließend werden die Informationen durch Layer-Normalisierung, MLP, QNN und Gated Attention (GA)-Mechanismus extrahiert, um umfassendere Merkmalsinformationen zu extrahieren.
In der Patch-Mischschicht wird die Eingabe zunächst umgeformt in 
, wobei wir uns auf die Patch-Dimension (d. h. die letzte Dimension) konzentrieren, dann wird die Layer-Normalisierung durchgeführt. Danach verwendet dieses Modul ein gemeinsames MLP (Gewichtsdimension n × n), um die Korrelation zwischen verschiedenen Patches zu lernen. In der Zwischenzeit wird das QNN durch die Quanten-Re-Uploading-Technologie20 realisiert, um die Expressionsfähigkeit der Quantenschicht zu verbessern. Die Quantenschaltung in QNN hat insgesamt ql-Schichten , und die i-teSchicht enthält eine Codierungsschaltung Ux und einen Ansatz 
, wobei θi der trainierbare Parametervektor und i = 1, 2, ..., ql ist. Nach einer gewichteten Additionsoperation erzeugt das Modell eine Hybridstruktur aus MLP und QNN, die wie 
für die i-teKomponente der Patch-Dimension formuliert ist, um die Fähigkeiten zur Extraktion klassischer und Quantenmerkmale effektiv zu integrieren. Beachten Sie, dass αi hier ein trainierbarer Parameter mit einem Anfangswert von 0 ist, der angibt, wie stark das Quantenverhalten eingeführt wird. Schließlich skaliert der GA8 die dominanten Merkmale probabilistisch hoch und die unwichtigen Merkmale herunter. Die Feature-Mischschicht und die Kanalmischschicht funktionieren auf ähnliche Weise.
Nach mehreren Mischschichten werden die Daten als 
verarbeitet.
Prognose
Im Forecasting-Layer werden die Daten zunächst in 
umgeformt. Die zukünftigen Werte werden durch einen klassischen Vorhersagekopf8 vorhergesagt: Die kodierten Merkmale werden abgeflacht und in eine klassische lineare Schicht mit Dropout eingespeist, um eine Vorhersage 
zukünftiger Werte zu erzeugen.
Experimentelle Ergebnisse
Wir führten eine detaillierte empirische Analyse des realen Datensatzes durch, d. h. des Long-Term Network Traffic Forecasting (LTNTF)-Datensatzes21, und drei weiterer beliebter öffentlicher Datensätze. Das erste Experiment basiert auf dem LTNTF-Datensatz21, der stündliche Verkehrsdaten und Feiertagsinformationen für die drei Städte A, B und C im realen Netz vom 1. Januar 2017 bis zum 20. Februar 2019 liefert. Die Aufgabe besteht darin, anhand von Verlaufsdaten ein geeignetes Modell zu erstellen, mit dem die stündlichen Verkehrswerte für jede Stadt für die nächsten 95 Tage vorhergesagt werden können. Die Einzigartigkeit des Datensatzes liegt in seiner Authentizität und Langfristigkeit und bietet detaillierte stündliche Netzwerkverkehrsdaten, die mehrere Städte über einen Zeitraum von mehr als 800 Tagen abdecken. Die experimentellen Ergebnisse sind in Tabelle 1, Abbildung 2 und Abbildung 3 zusammengefasst. Um das Experiment zu reproduzieren, beziehen Sie sich auf README.md in Experiment_1_LTNFT in der Zusatzdatei 1.
Tabelle 1: Leistungsvergleich zwischen QTSMixer und TSMixer im LTNTF-Datensatz. Hier werden MAPE und RMSE als Hauptauswertungsmetriken verwendet, und niedrigere Werte deuten auf eine bessere Leistung hin. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.
Abbildung 2: Vergleich der Vorhersageergebnisse von TSMixer und QTSMixer. Hier wählen wir nach dem Zufallsprinzip drei Stichproben aus drei Städten aus und geben den visuellen Vergleich zwischen den realen Werten und den vorhergesagten Werten von TSMixer und QTSMixer. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 3: Vergleich der Vorhersageergebnisse eines Spezialfalls von TSMixer und QTSMixer. Hier werden die Stichproben mit den besten Leistungen von QTSMixer ausgewählt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Das zweite Experiment basiert auf dem BasicTS+(Basic Time Series)22 Framework, das eine Benchmark-Bibliothek und Toolbox für die Vorhersage von Zeitreihen ist. Es unterstützt eine Vielzahl von Aufgaben und Datasets, z. B. räumlich-zeitliche Prognosen und lange Reihenprognosen, und deckt statistische Modelle, Machine Learning-Modelle, Deep-Learning-Modelle und andere Algorithmen ab. BasicTS+ bietet eine faire und umfassende Plattform für die Replikation und den Vergleich gängiger Deep-Learning-Modelle durch einen einheitlichen und standardisierten Prozess. Der BasicTS-Benchmark umfasst sieben sorgfältig kuratierte multivariate Zeitreihen-Datensätze (MTS), die sich über verschiedene reale Bereiche erstrecken, um eine rigorose Bewertung von Prognosemodellen zu ermöglichen. Die Sammlung umfasst Verkehrsdatensätze (PEMS04/08 für die Durchflussüberwachung), Aufzeichnungen über den Energieverbrauch (Electricity/Etth1/Ettm1), Wirtschaftsindikatoren (Wechselkurs) und Umweltmessungen (Beijing Air Quality). Die Versuchsergebnisse sind in Tabelle 2 dargestellt. Um das Experiment zu reproduzieren, beziehen Sie sich auf README.md in Experiment_2_Basicts in der Zusatzdatei 1.
Tabelle 2: Leistungsvergleiche zwischen QTSMixer und anderen Modellen auf verschiedenen Datensätzen des BasicTS+ Frameworks. Hier werden MAE, WAPE und RMSE als Bewertungsmetriken verwendet, und niedrigere Werte deuten auf eine bessere Leistung hin. Die Modelle mit ähnlicher Parameteranzahl werden gruppiert. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.
Das dritte Experiment beinhaltet eine vergleichende Analyse zwischen dem Quantensimulator und einem realen Quantencomputer. In diesem Experiment wird die Leistung von Qiskit und dem DQ-Framework verglichen, indem die jeweiligen Implementierungen von QTSMixer ausgewertet werden. Die Genauigkeit und Ausführungseffizienz beider Frameworks bei Prognoseaufgaben wurde bewertet. In diesem Experiment kommt der supraleitende Quantencomputer ibm_brisbane zum Einsatz. Die experimentellen Ergebnisse sind in Abbildung 4 und Tabelle 3 dargestellt. Um das Experiment zu reproduzieren, beziehen Sie sich auf README.md in Experiment_3_Qiskit in der Zusatzdatei 1.
Abbildung 4: Vergleich der Vorhersageergebnisse von Qiskit (auf Quantenhardware) und DQ (auf dem Simulator). Vergleich zwischen tatsächlichen Werten und Vorhersagen mit Vorhersagen, die aus Qiskit- und DQ-Experimenten abgeleitet wurden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Tabelle 3: Leistungsvergleich von QTSMixer zwischen Quantenhardware und Simulationsexperimenten. Hier werden MAPE und RMSE als Hauptauswertungsmetriken verwendet, und niedrigere Werte deuten auf eine bessere Leistung hin. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Ergebnisse
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Wir haben eine detaillierte empirische Analyse einiger Datensätze durchgeführt. Das erste Experiment basiert auf dem LTNTF-Datensatz. Die drei Städte wiesen unterschiedliche Datenverteilungsmuster auf: Stadt A wies zu Beginn des Jahres einen deutlichen Tiefpunkt des Verkehrsflusses auf; Stadt B behielt im gleichen Zeitraum relativ hohe Werte bei, während Stadt C eine ausgewogenere Verteilung über das Jahr aufwies (siehe Ergänzende Abbildung S1, E...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Diskussion
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
In diesem Artikel haben wir QTSMixer für Langzeit-NTP vorgeschlagen, einen neuartigen quantenklassischen Hybridansatz mit Verbesserungen in Bezug auf Genauigkeit und domänenübergreifende Anpassungsfähigkeit. Diese Studie erweitert nicht nur das Anwendungspotenzial von Quantencomputing in der Zeitreihenvorhersage, sondern zeigt auch die Richtung für seinen zukünftigen Einsatz auf realer Quantenhardware auf. Die derzeitige quantenklassische Hybridarchitektur weist jedoch eine begrenzte Fähigkeit zur Verarbeitung exogener V...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Offenlegungen
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Die Autoren erklären, dass sie keine konkurrierenden finanziellen Interessen haben.
Danksagungen
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Wir danken Yulin Chi, Gang Xi Wang, Xinying Li, Xin Yi und Fei Wang für ihre aufschlussreichen Diskussionen.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Materialien
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| Verifizierter | Lieferant - DeepQuantum TuringQ Co., Ltd. | https://deepquantum.turingq.com/ | Ein effizientes Programmierframework für maschinelles Quantenlernen und optisches Quantencomputing, das von TuringQ entwickelt wurde. |
| Qiskit | IBM | https://www.ibm.com/quantum/qiskit | Ein Open-Source-SDK für die Arbeit mit Quantencomputern auf der Ebene erweiterter Quantenschaltkreise, Operatoren und Primitive. |
| ibm_brisbane | IBM | https://quantum.ibm.com/ | Der supraleitende Quantencomputer der IBM Quantum Eagle-Familie. |
| LTNTF-Datensatz | China Mobile | https://jiutian.10086.cn/open/#/dataset/710012?platform=OpenInnovation | Der Datensatz stammt von der Jiutian AI-Plattform von China Mobile. |
| python3.10 | Python Software Foundation | https://www.python.org/downloads/release/python-3100/ | |
| Quanten-Re-Uploading-Technologie | Pé rez-Salinas, A., Cervera-Lierta, A., Gil-Fuster, E., Latorre, J. I. Erneutes Hochladen von Daten für einen universellen Quantenklassifikator. Quant. 4 226 (2019). | ||
| BasicTS+ Framework | Shao, Z. et al. Exploring progress in multivariate time series forecasting: Comprehensive benchmarking and heterogeneity analysis. IEEE-Transaktionen zu Wissens- und Datentechnik. 37 291-305 (2023). | arXiv:2310.06119v2 | |
| GPU A100 | NVIDIA | 80G GPU | |
| Transformers | Hugging Face | https://huggingface.co/ | Die Plattform, auf der die Community für maschinelles Lernen an Modellen, Datensätzen und Anwendungen zusammenarbeitet. |
Referenzen
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
- 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).
- Weiwei, J. Cellular traffic prediction with machine learning: A survey. Expert Syst Appl. 201, 117163(2022).
- Wei, W. W. S. Multivariate time series analysis and applications. , John Wiley & Sons. (2019).
- 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).
- 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).
- Tolstikhin, I. O., et al. MLP-mixer: An all-MLP architecture for vision. arXiv preprint. , (2021).
- Ekambaram, V., Jati, A., Nguyen, N., Sinthong, P., Kalagnanam, J. TSMixer: Lightweight MLP-Mixer Model for Multivariate Time Series Forecasting. arXiv. , (2023).
- 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).
- Nielsen, M. A., Chuang, I. L. Quantum computation and quantum information: 10th Anniversary Edition. , Cambridge: Cambridge University Press. (2010).
- Beer, K., et al. Training deep quantum neural networks. Nat Commun. 11 (1), 808(2020).
- Amira, A., et al. The power of quantum neural networks. Nat Comput Sci. 1, 403-409 (2020).
- Cong, I., Choi, S., Lukin, M. D. Quantum convolutional neural networks. Nat Phys. 15 (12), 1273-1278 (2019).
- Padha, A., Sahoo, A. Quantum deep neural networks for time series analysis. Quantum Inf Process. 23 (6), 205(2024).
- 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).
- 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).
- 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).
- 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).
- 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).
- Pérez-Salinas, A., Cervera-Lierta, A., Gil-Fuster, E., Latorre, J. I. Data re-uploading for a universal quantum classifier. Quantum. 4, 226(2020).
- Mobile, C. Long-term network traffic forecasting. , (2023).
- 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).
- Bharti, K., et al. Noisy intermediate-scale quantum algorithms. Rev Mod Phys. 94 (1), 015004(2022).
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Nachdrucke und Genehmigungen
Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden
Genehmigung beantragen