מאמר מחקר

מודל היברידי קוונטי-קלאסי לחיזוי תעבורת רשת לטווח ארוך

DOI:

10.3791/68229

⸱

27 ביוני 2025

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

במאמר זה

סיכום

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

QTSMixer, מודל קוונטי-קלאסי היברידי, משפר את חיזוי תעבורת הרשת על ידי התייחסות למגבלות של TSMixer באותות תקופתיים ובתחזיות ארוכות טווח. הוא מציג רכיבי רשת עצבית קוונטית הנשלטים על ידי פרמטרים הניתנים לאימון, ועולה על TSMixer ב-6.72% בתחזיות ארוכות טווח על נתונים בעולם האמיתי.

תקציר

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

חיזוי תעבורת רשת, יישום קריטי של ניתוח סדרות זמן, חיוני לניהול ואופטימיזציה של הרשת. מודלים סטטיסטיים מסורתיים ושיטות למידת מכונה שימשו לחיזוי תעבורת רשת, כאשר ההתקדמות האחרונה בארכיטקטורות מערבל תפיסה רב-שכבתית, במיוחד TSMixer, השיגה ביצועים מתקדמים. עם זאת, TSMixer מתמודדת עם אתגרים עם אותות תקופתיים ותחזיות ארוכות טווח. כדי להתמודד עם מגבלות אלו, אנו מציעים מודל TSMixer קוונטי (QTSMixer), גישה קוונטית-קלאסית היברידית הממנפת רשתות עצביות קוונטיות לחילוץ תכונות משופרות הקשורות לאותות מחזוריים ותלות ארוכת טווח. על ידי הצגת פרמטרים הניתנים לאימון כדי לשלוט בחוזק הרכיבים הקוונטיים, נוצר המבנה ההיברידי של תפיסה רב-שכבתית ורשת עצבית קוונטית. פוטנציאל היישום חוצה התחומים ויכולת היישום המעשית של QTSMixer מודגמים באמצעות ניתוח אמפירי על מערכי נתונים בעולם האמיתי, שבו QTSMixer עולה על TSMixer ב-6.72% במערך הנתונים של חיזוי תעבורת רשת לטווח ארוך. בעתיד, ניתן יהיה לחקור עוד את הפיתוח של QTSMixer בתחומים אחרים, כגון ניתוח שווקים פיננסיים וחיזוי מזג אוויר.

מבוא

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

חיזוי תעבורת רשת (NTP)1,2,3, כיישום חיוני של ניתוח סדרות זמן 4,5, כרוך בניתוח נתוני תעבורת רשת היסטוריים כדי לזהות דפוסים ומגמות, ובכך לחזות שינויים עתידיים בתעבורה. זה חיוני לניהול ואופטימיזציה של הרשת, מכיוון שהוא יכול לסייע למפעילי רשת בהקצאת משאבים, אבחון תקלות, ניטור אבטחה והבטחת איכות השירות. בעיית NTP נחקרה היטב על ידי מודלים סטטיסטיים ושיטות למידת מכונה3. לאחרונה, ארכיטקטורות המבוססות על מיקסר תפיסה רב-שכבתי (MLP-Mixer)6,7 הופכות פופולריות עבור NTP בשל יכולתן העוצמתית ללכוד תלות בסדרות זמן מרובות משתנים. ביניהם, TSMixer8 בולט במהירות יוצאת הדופן ובעיצוב קל המשקל שלו והשיג ביצועים מתקדמים (SOTA) במערכי נתונים של בנצ'מרק9. TSMixer יכול ללכוד טוב יותר את התלות בזמן ואת המתאם בין תכונות באמצעות פעולה היברידית של ממדי זמן ותכונה. עם זאת, ל-TSMixer יש את שני החסרונות הבאים. ראשית, הוא אינו מתאים להתמודדות עם אותות תקופתיים. אותות תקופתיים הם יציבים, עמידים בפני הפרעות וקלים לניתוח, מה שהופך אותם לבעלי ערך רב בתקשורת, מערכות חשמל ומערכות בקרה. מכיוון ש-TSMixer מבוסס על MLP שאב הטיפוס המתמטי שלו הוא פונקציה א-מחזורית, TSMixer מתאים לעיבוד אותות א-מחזוריים אך אינו מתאים היטב בעת עיבוד אותות תקופתיים. שנית, הוא אינו מתפקד היטב בעת ביצוע תחזיות לטווח ארוך מכיוון שהוא נפגע על ידי מגבלות זיכרון המחשב הנוכחיות והצטברות שגיאות בחיזוי. נכון לעכשיו, לרוב המודלים יש ביצועים גרועים בהתמודדות עם חיזוי סדרות זמן ארוכות טווח. זהו נושא דחוף שצריך לפתור בתחום חיזוי סדרות הזמן. למרות ש-TSMixer השיגה תוצאות טובות, עדיין יש מקום לשיפור. לכן, יש חשיבות רבה לחפש אסטרטגיות חדשות כדי להימנע מחסרונות אלה.

מחשוב קוונטי10 הוא פרדיגמת מחשוב חדשה המבוססת על חוקי מכניקת הקוונטים, שיכולה לעבד כמויות עצומות של נתונים הן ביעילות והן בצורה מאובטחת. רשתות עצביות קוונטיות (QNNs)11,12,13 הן סוג של מודל מחשוב המשלב מחשוב קוונטי ורשתות עצביות קלאסיות, שיש להן מגוון רחב של יישומים בעיבוד תמונה, זיהוי דיבור וחיזוי מחלות. הם מנצלים את המאפיינים של מחשוב קוונטי, כגון סופרפוזיציה ושזירה, כדי לעבד מידע ולבצע משימות למידת מכונה, מה שמוביל לסימולציות טובות יותר, חישוב מהיר יותר או יתרון קוונטי מבחינת ביצועי רשת. לאחרונה, כמה גישות נחקרו בתחום QNN עבור סדרות זמן המנבאות 14,15,16,17,18,19. מודלים של סדרות זמן קוונטיות יכולים לעלות על מודלים מסורתיים מבחינת דיוק חיזוי ויעילות חישובית, במיוחד כאשר עוסקים בנתונים רב-ממדיים מורכבים. מצד אחד, ניתן לבטא את QNN כסדרת פורייה, שהיא פונקציה מחזורית ומתאימה לעיבוד אותות מחזוריים; מצד שני, כמה יישומים של QNN בסדרות זמן הצליחו. לכן, מעניין מאוד לחקור את תפקידו של QNN ב-NTP, במיוחד NTP ארוך טווח.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

מתודולוגיית QTSMixer

נניח figure-protocol-1 שתהיה סדרת זמן רב-משתנית של אורך sl ומספר ערוצים c. משימת החיזוי הרב-משתנית מוגדרת כחיזוי ערכים figure-protocol-2 עתידיים בהינתן היסטוריה figure-protocol-3 מסוימת על ידי מודל figure-protocol-4חיזוי , שניתן לנסח כ

figure-protocol-5

היכן figure-protocol-6 אורך רצף התחזית ומציין figure-protocol-7 את ערך החיזוי. ב-QTSMixer, נניח ש-XL×C מציין את סדרת הזמן הרב-משתנית המקורית באורך L ואת מספר הערוצים c. אנו מזינים את סדרת הזמן הרב-משתנית על ידי מיני-אצווה figure-protocol-8 , כאשר sl ≤ L ו- b הוא גודל האצווה. כפי שמוצג באיור 1, מודל QTSMixer מורכב מארבעה מרכיבים: נורמליזציה, הטמעת תיקון, ערבוב שכבות וחיזוי. בשלב האימון, אובדן המודל מחושב על ידי פונקציית figure-protocol-9 ההפסד של שגיאה ריבועית ממוצעת (MSE) כדי להשיג את ההתאמה הטובה ביותר. ניתן לאפיין את ה-QTSMixer כ

figure-protocol-10

כאשר θ הוא וקטור הפרמטר הניתן לאימון ומתעדכן על ידי ירידת שיפוע סטוכסטית.

figure-protocol-11
איור 1: הארכיטקטורה ברמה הגבוהה של QTSMixer. כאן אנו מחלקים את QTSMixer לארבעה מרכיבים: נורמליזציה, הטמעת תיקון, ערבוב שכבות וחיזוי. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

לאחר מכן, נפרט את רכיבי המודל של QTSMixer.

נרמול

תהליך ההתפשטות קדימה של QTSMixer מתחיל בקבלת נתוני figure-protocol-12 סדרת זמן הקלט. ראשית, נתוני הקלט מנורמלים ומתוקננים על ידי PatchTSMixer StandardScaler8 או סקלרים אחרים כדי לבטל את הבדלי הממדים בין התכונות ולהבטיח את יציבות ביצועי הנתונים במהלך האימון.

הטמעת תיקון

ראשית, נתוני סדרות הזמן הסטנדרטיים מחולקים למספר מקטעים באורך קבוע (טלאים) דרך מודול התיקון. עיצוב דגם זה הוא בהשראת Ekambaram et al.8, והיכולת ללכוד תכונות מקומיות משופרת באמצעות חלוקת טלאים. באמצעות חלוקת תיקונים, QTSMixer יכול להתמודד ביעילות עם דפוסי נתונים מורכבים של סדרות זמן, להפחית את מספר אסימוני קלט המודל ולהשיג תוצאות טובות יותר בזמן אימון קצר יותר. המיני-אצווה figure-protocol-13 מעוצבת מחדש ל- figure-protocol-14, כאשר n הוא מספר התיקונים ו-pl מציין את אורך התיקון. בואו s מציין את צעד התיקון, אז figure-protocol-15 .

כדי להגביר את כוח הביטוי של המודל, כל טלאי ממופה למרחב בעל מימד גבוה יותר באמצעות שכבה ליניארית. לאחר מכן, הנתונים מעוצבים מחדש על figure-protocol-16 ידי טרנספורמציה ליניארית figure-protocol-17, כאשר hf הוא מספר התכונות הנסתרות. למטריצת המשקל יש ממד של pl × hf .

ערבוב שכבות

בחלק זה, מידות התיקון, התכונה והתעלה מעורבבות באמצעות שכבות ערבוב מרובות. בהתבסס על הממד הממוקד בכל שכבת מערבל, הקלט מוחלף תחילה בהתאם כדי ללמוד מתאם לאורך הממד הממוקד. לאחר מכן, המידע מחולץ על ידי נורמליזציה של שכבות, MLP, QNN ומנגנון תשומת לב מגודרת (GA) כדי לחלץ מידע מקיף יותר על תכונות.

בשכבת ערבוב הטלאי, הקלט מעוצב תחילה מחדש ל- figure-protocol-18 , שבו אנו מתמקדים בממד התיקון (כלומר, הממד האחרון); לאחר מכן, מבוצעת נורמליזציה של השכבה. לאחר מכן, מודול זה משתמש ב-MLP משותף (ממד משקל n × n) כדי ללמוד את המתאם בין טלאים שונים. בינתיים, ה-QNN מתממש על ידי טכנולוגיית העלאה מחדש קוונטית20 כדי לשפר את יכולת הביטוי של השכבה הקוונטית. למעגל הקוונטי ב- QNN יש סך של שכבות ql , והשכבה iמכילה מעגל קידוד Ux ו- ansatz figure-protocol-19, כאשר θi הוא וקטור הפרמטר הניתן לאימון ו - i = 1, 2, ..., ql. לאחר פעולת תוספת משוקללת, המודל מייצר מבנה היברידי של MLP ו-QNN, שנוסח כמרכיב figure-protocol-20 הראשון שלממד התיקון, כדי לשלב ביעילות יכולות חילוץ תכונות קלאסיות וקוונטיות. שימו לב שכאן αi הוא פרמטר הניתן לאימון עם ערך התחלתי של 0, המציין עד כמה ההתנהגות הקוונטית מוצגת. לבסוף, ה-GA8 משדרג באופן הסתברותי את התכונות הדומיננטיות ומקטין את התכונות הלא חשובות. שכבת ערבוב התכונות ושכבת ערבוב הערוצים פועלות בצורה דומה.

לאחר שכבות ערבוב מרובות, הנתונים מעובדים כ- figure-protocol-21.

חיזוי

בשכבת החיזוי, הנתונים מעוצבים תחילה מחדש ל- figure-protocol-22. הערכים העתידיים נחזים באמצעות ראש חיזוי קלאסי8 - התכונות המקודדות משוטחות ומוזנות לשכבה ליניארית קלאסית עם נשירה כדי ליצור חיזוי figure-protocol-23 של ערכים עתידיים.

תוצאות ניסויים

ערכנו ניתוח אמפירי מפורט על מערך הנתונים בעולם האמיתי, כלומר, מערך הנתונים של חיזוי תעבורת רשת לטווח ארוך (LTNTF)21, ושלושה מערכי נתונים ציבוריים פופולריים אחרים. הניסוי הראשון מבוסס על מערך הנתונים LTNTF21, המספק נתוני תנועה שעתיים ומידע על חגים עבור שלוש ערים A, B ו-C, ברשת העולם האמיתי בין ה-1 בינואר 2017 ל-20 בפברואר 2019. המשימה היא להשתמש בנתונים היסטוריים כדי לבנות מודל מתאים לחיזוי ערכי התנועה השעתיים עבור כל עיר במשך 95 הימים הבאים. הייחודיות של מערך הנתונים טמונה באותנטיות שלו ובאופיו ארוך הטווח, ומציע נתוני תעבורת רשת מפורטים מדי שעה המכסים מספר ערים לאורך יותר מ-800 ימים. תוצאות הניסוי מסוכמות בטבלה 1, איור 2 ואיור 3. כדי לשחזר את הניסוי, עיין README.md ב-Experiment_1_LTNFT בקובץ משלים 1.

טבלה 1: השוואת ביצועים בין QTSMixer ל-TSMixer במערך הנתונים של LTNTF. כאן ה-MAPE וה-RMSE משמשים כמדדי ההערכה העיקריים, וערכים נמוכים יותר מצביעים על ביצועים טובים יותר. אנא לחץ כאן להורדת טבלה זו.

figure-protocol-24
איור 2: השוואה בין תוצאות החיזוי של TSMixer ו-QTSMixer. כאן אנו בוחרים באופן אקראי שלוש דוגמאות משלוש ערים ונותנים את ההשוואה החזותית בין הערכים האמיתיים לערכים החזויים של TSMixer ו-QTSMixer. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-protocol-25
איור 3: השוואה של תוצאות חיזוי של מקרה מיוחד של TSMixer ו-QTSMixer. כאן נבחרים הדגימות עם הביצועים הטובים ביותר של QTSMixer. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

הניסוי השני מבוסס על מסגרת BasicTS+(Basic Time Series)22 , שהיא ספריית בנצ'מרק וארגז כלים לחיזוי סדרות זמן. הוא תומך במגוון משימות ומערכי נתונים, כגון חיזוי מרחבי-זמני וחיזוי סדרות ארוכות, ומכסה מודלים סטטיסטיים, מודלים של למידת מכונה, מודלים של למידה עמוקה ואלגוריתמים אחרים. BasicTS+ מספקת פלטפורמה הוגנת ומקיפה לשכפול והשוואה של מודלים פופולריים של למידה עמוקה באמצעות תהליך מאוחד וסטנדרטי. אמת המידה של BasicTS כוללת שבעה מערכי נתונים של סדרות זמן רב-משתניות (MTS) שנאספו בקפידה המשתרעים על פני תחומים מגוונים בעולם האמיתי כדי לאפשר הערכה קפדנית של מודלים של חיזוי. האוסף כולל מערכי נתוני תנועה (PEMS04/08 לניטור זרימה), רשומות צריכת אנרגיה (חשמל/Etth1/Ettm1), אינדיקטורים כלכליים (שער חליפין) ומדידות סביבתיות (איכות האוויר של בייג'ינג). תוצאות הניסוי מוצגות בטבלה 2. כדי לשחזר את הניסוי, עיין README.md ב-Experiment_2_Basicts בקובץ משלים 1.

טבלה 2: השוואות ביצועים בין QTSMixer ומודלים אחרים על מערכי נתונים שונים של מסגרת BasicTS+. כאן MAE, WAPE ו-RMSE משמשים כמדדי הערכה, וערכים נמוכים יותר מצביעים על ביצועים טובים יותר. המודלים עם ספירת פרמטרים דומים מקובצים. אנא לחץ כאן להורדת טבלה זו.

הניסוי השלישי כולל ניתוח השוואתי בין הסימולטור הקוונטי למחשב קוונטי אמיתי. ניסוי זה משווה את הביצועים של Qiskit ומסגרת DQ על ידי הערכת היישומים שלהם של QTSMixer. הדיוק ויעילות הביצוע של שתי המסגרות במשימות חיזוי הוערכו. המחשב הקוונטי מוליך-על, ibm_brisbane, משמש בניסוי זה. תוצאות הניסוי מוצגות באיור 4 ובטבלה 3. כדי לשחזר את הניסוי, עיין README.md ב-Experiment_3_Qiskit בקובץ משלים 1.

figure-protocol-26
איור 4: השוואה בין תוצאות החיזוי של Qiskit (בחומרה קוונטית) ו-DQ (בסימולטור). השוואה בין ערכים ותחזיות בפועל, עם תחזיות הנגזרות מניסויי Qiskit ו-DQ. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

טבלה 3: השוואת ביצועים של QTSMixer בין חומרה קוונטית לניסויי סימולציה. כאן, ה-MAPE וה-RMSE משמשים כמדדי ההערכה העיקריים, וערכים נמוכים יותר מצביעים על ביצועים טובים יותר. אנא לחץ כאן להורדת טבלה זו.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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

ערכנו ניתוח אמפירי מפורט על כמה מערכי נתונים. הניסוי הראשון מבוסס על מערך הנתונים של LTNTF. שלוש הערים הציגו דפוסי חלוקת נתונים ברורים: עיר א' הראתה נקודת שפל משמעותית בזרימת התנועה בתחילת השנה; עיר B שמרה על ערכים גבוהים יחסית באותה תקופה, בעוד שעיר C הציגה התפלגות מאוזנת יותר לאורך השנה, ראה איור משלים S1, איור משלים S2 ואיור משלים S3 לפרטים. תוצאות הניסוי מסוכמות בטבלה 1

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

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

במאמר זה, הצענו QTSMixer ל-NTP ארוך טווח, שהיא גישה היברידית קוונטית-קלאסית חדשה עם שיפורים ברמת הדיוק וביכולת ההסתגלות בין תחומים. מחקר זה לא רק מרחיב את פוטנציאל היישום של מחשוב קוונטי בחיזוי סדרות זמן, אלא גם מצביע על הכיוון לפריסתו העתידית על חומרה קוונטית אמיתית. עם זאת, הארכיטקטורה ההיברידית הקוונטית-קלאסית הנוכחית מציגה יכולת מוגבלת בעיבוד משתנים אקסוגניים. שיפורים עתידיים יכולים לשלב בלוק מערבל ערוצים כדי לשפר את חילוץ המידע בין משתנים תוך שמירה על יעילות קוונטית.

כאן, למודל QTSMixer ה...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

המחברים מצהירים שאין להם אינטרסים פיננסיים מתחרים.

תודות

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

אנו מודים ליולין צ'י, גאנג שי וואנג, שין-יינג לי, שין יי ופיי וואנג על הדיונים מלאי התובנות שלהם.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
DeepQuantumTuringQ ושות', בע"מhttps://deepquantum.turingq.com/מסגרת תכנות יעילה ללמידת מכונה קוונטית ומחשוב קוונטי אופטי שפותחה על ידי TuringQ.
QiskitIBMhttps://www.ibm.com/quantum/qiskitSDK בקוד פתוח לעבודה עם מחשבים קוונטיים ברמה של מעגלים קוונטיים מורחבים, אופרטורים ופרימיטיביים.
ibm_brisbaneIBMhttps://quantum.ibm.com/מחשב קוונטי מוליך-על במשפחת IBM Quantum Eagle.
מערך הנתונים של LTNTFChina Mobilehttps://jiutian.10086.cn/open/#/dataset/710012?platform=OpenInnovationמערך הנתונים מגיע מפלטפורמת הבינה המלאכותית Jiutian של China Mobile.
python3.10Python Software Foundationhttps://www.python.org/downloads/release/python-3100/
טכנולוגיית העלאה מחדש קוונטיתPé rez-Salinas, A., Cervera-Lierta, A., Gil-Fuster, E., Latorre, J. I. העלאה מחדש של נתונים עבור מסווג קוונטי אוניברסלי. קוונטית. 4 226 (2019).
מסגרת BasicTS+Shao, Z. et al. חקר התקדמות בחיזוי סדרות זמן מרובות משתנים: בנצ'מרק מקיף וניתוח הטרוגניות. עסקאות IEEE על ידע והנדסת נתונים. 37, 291-305 (2023).arXiv:2310.06119v2
GPU A100NVIDIA80G
GPU TransformersHugging Facehttps://huggingface.co/הפלטפורמה שבה קהילת למידת המכונה משתפת פעולה במודלים, מערכי נתונים ויישומים.
https://doi.org/10.22331/q-2020-02-06-226

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

TSMixer
הסרטון יגיע בקרוב

מאמרים קשורים