Articolo di ricerca

Un modello ibrido quantistico-classico per la previsione del traffico di rete a lungo termine

DOI:

10.3791/68229

⸱

27 giugno 2025

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

In questo articolo

Sommario

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

QTSMixer, un modello ibrido quantistico-classico, migliora la previsione del traffico di rete affrontando i limiti di TSMixer nei segnali periodici e nelle previsioni a lungo termine. Introduce componenti di rete neurale quantistica controllati da parametri addestrabili, superando TSMixer del 6,72% nelle previsioni a lungo termine sui dati del mondo reale.

Abstract

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

La previsione del traffico di rete, un'applicazione critica dell'analisi delle serie temporali, è essenziale per la gestione e l'ottimizzazione della rete. I modelli statistici tradizionali e i metodi di apprendimento automatico sono stati impiegati per la previsione del traffico di rete, dove i recenti progressi nelle architetture di mixer di percezione multilivello, in particolare TSMixer, hanno raggiunto prestazioni all'avanguardia. Tuttavia, TSMixer deve affrontare sfide con segnali periodici e previsioni a lungo termine. Per affrontare queste limitazioni, proponiamo un modello Quantum TSMixer (QTSMixer), un approccio ibrido quantistico-classico che sfrutta le reti neurali quantistiche per una migliore estrazione di caratteristiche relative a segnali periodici e dipendenze a lungo termine. Introducendo parametri addestrabili per controllare la forza dei componenti quantistici, viene generata la struttura ibrida della percezione multistrato e della rete neurale quantistica. Il potenziale applicativo cross-domain e la capacità applicativa pratica di QTSMixer sono dimostrati attraverso l'analisi empirica su set di dati del mondo reale, in cui QTSMixer supera TSMixer del 6,72% nel set di dati di previsione del traffico di rete a lungo termine. In futuro, lo sviluppo di QTSMixer potrà essere ulteriormente esplorato in altri campi, come l'analisi dei mercati finanziari e le previsioni meteorologiche.

Introduzione

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

La previsione del traffico di rete (NTP)1,2,3, come applicazione essenziale dell'analisi delle serie temporali 4,5, comporta l'analisi dei dati storici del traffico di rete per identificare modelli e tendenze, prevedendo così i futuri cambiamenti del traffico. È fondamentale per la gestione e l'ottimizzazione della rete, in quanto può assistere gli operatori di rete nell'allocazione delle risorse, nella diagnosi dei guasti, nel monitoraggio della sicurezza e nella garanzia della qualità del servizio. Il problema NTP è stato ben studiato da modelli statistici e metodi di apprendimento automatico3. Recentemente, le architetture basate su Multi-Layer Perception Mixer (MLP-Mixer)6,7 stanno diventando popolari per NTP grazie alla loro potente capacità di catturare dipendenze multivariate da serie temporali. Tra questi, TSMixer8 si distingue per la sua eccezionale velocità e il design leggero e ha raggiunto prestazioni SOTA (State-Of-The-Art) su set di dati di benchmark9. TSMixer è in grado di catturare meglio la dipendenza dal tempo e la correlazione tra le caratteristiche attraverso il funzionamento ibrido del tempo e delle dimensioni delle funzioni. Tuttavia, TSMixer presenta i seguenti due svantaggi. Innanzitutto, non è adatto per gestire segnali periodici. I segnali periodici sono stabili, resistenti alle interferenze e facili da analizzare, il che li rende molto preziosi nei sistemi di comunicazione, alimentazione e controllo. Poiché TSMixer è basato su MLP il cui prototipo matematico è una funzione aperiodica, TSMixer è adatto per l'elaborazione di segnali aperiodici ma non si adatta bene durante l'elaborazione di segnali periodici. In secondo luogo, non funziona bene quando si effettuano previsioni a lungo termine in quanto è ostacolato dalle attuali limitazioni della memoria del computer e dall'accumulo di errori nelle previsioni. Attualmente, la maggior parte dei modelli ha prestazioni scarse nella gestione della stima delle serie temporali a lungo termine. Si tratta di un problema urgente che deve essere risolto nel campo della previsione delle serie storiche. Sebbene TSMixer abbia ottenuto buoni risultati, c'è ancora spazio per migliorare. Pertanto, è di grande importanza cercare nuove strategie per evitare questi inconvenienti.

Il calcolo quantistico10 è un nuovo paradigma di calcolo basato sulle leggi della meccanica quantistica, in grado di elaborare enormi quantità di dati in modo efficiente e sicuro. Le reti neurali quantistiche (QNN)11,12,13 sono un tipo di modello di calcolo che combina l'informatica quantistica e le reti neurali classiche, che hanno un'ampia gamma di applicazioni nell'elaborazione delle immagini, nel riconoscimento vocale e nella previsione delle malattie. Sfruttano le proprietà dell'informatica quantistica, come la sovrapposizione e l'entanglement, per elaborare le informazioni ed eseguire attività di apprendimento automatico, portando a simulazioni migliori, calcoli più veloci o vantaggi quantistici in termini di prestazioni di rete. Recentemente, alcuni approcci sono stati studiati nell'ambito QNN per la previsione di serie temporali 14,15,16,17,18,19. I modelli di serie temporali quantistiche possono superare i modelli tradizionali in termini di accuratezza delle previsioni ed efficienza computazionale, soprattutto quando si tratta di dati multidimensionali complessi. Da un lato, QNN può essere espressa come una serie di Fourier, che è una funzione periodica e adatta all'elaborazione di segnali periodici; d'altra parte, alcune applicazioni di QNN nelle serie storiche hanno avuto successo. Pertanto, è di grande interesse esplorare il ruolo della QNN nell'NTP, in particolare nell'NTP a lungo termine.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

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

Metodologia QTSMixer

Sia figure-protocol-1 una serie storica multivariata di lunghezza sl e numero di canali c. Il compito di previsione multivariata è definito come la previsione di valori figure-protocol-2 futuri data una certa storia figure-protocol-3 da un modello figure-protocol-4di previsione, che può essere formulato come

figure-protocol-5

Dove figure-protocol-6 è la lunghezza della sequenza di previsione e figure-protocol-7 indica il valore di stima. In QTSMixer, sia XL×C la serie temporale multivariata originale di lunghezza L e il numero di canali c. Inseriamo la serie temporale multivariata per minibatch figure-protocol-8 , dove sl ≤ L e b è la dimensione del batch. Come mostrato nella Figura 1, il modello QTSMixer è costituito da quattro componenti: normalizzazione, incorporamento di patch, strati di miscelazione e previsione. Nella fase di addestramento, la perdita del modello viene calcolata dalla funzione figure-protocol-9 di perdita dell'errore quadratico medio (MSE) per ottenere l'adattamento migliore. Il QTSMixer può essere caratterizzato come

figure-protocol-10

Dove θ è il vettore del parametro addestrabile e viene aggiornato dalla discesa stocastica del gradiente.

figure-protocol-11
Figura 1: L'architettura di alto livello di QTSMixer. Qui dividiamo QTSMixer in quattro componenti: normalizzazione, incorporamento di patch, strati di miscelazione e previsione. Clicca qui per visualizzare una versione più grande di questa figura.

Successivamente, descriveremo in dettaglio i componenti del modello di QTSMixer.

Normalizzazione

Il processo di propagazione in avanti di QTSMixer inizia con la ricezione dei dati figure-protocol-12 delle serie temporali di input. Innanzitutto, i dati di input vengono normalizzati e standardizzati da PatchTSMixer StandardScaler8 o altri scaler per eliminare le differenze dimensionali tra le funzionalità e garantire la stabilità delle prestazioni dei dati durante l'addestramento.

Incorporamento di patch

Innanzitutto, i dati delle serie temporali standardizzate vengono suddivisi in più segmenti di lunghezza fissa (patch) attraverso il modulo di patching. Il design di questo modello si ispira a Ekambaram et al.8 e la capacità di catturare le caratteristiche locali è migliorata attraverso la divisione delle patch. Attraverso la divisione delle patch, QTSMixer è in grado di gestire efficacemente modelli di dati di serie temporali complesse, ridurre il numero di token di input del modello e ottenere risultati migliori in un tempo di addestramento più breve. Il minibatch figure-protocol-13 viene rimodellato in figure-protocol-14, dove n è il numero di patch e pl denota la lunghezza della patch. Indichiamo il passo del rattoppo, quindi figure-protocol-15 .

Per aumentare la potenza espressiva del modello, ogni patch viene mappata su uno spazio dimensionale superiore attraverso un livello lineare. Quindi, i dati vengono rimodellati in figure-protocol-16 mediante trasformazione figure-protocol-17lineare , dove hf è il numero di caratteristiche nascoste. La matrice dei pesi ha una dimensione di pl × hf .

Miscelazione degli strati

In questa parte, le dimensioni della patch, della feature e del canale vengono mixate attraverso più livelli di mixaggio. In base alla dimensione sotto fuoco in ogni livello del mixer, l'input viene prima permutato di conseguenza per apprendere la correlazione lungo la dimensione focalizzata. Quindi, le informazioni vengono estratte mediante normalizzazione dei livelli, MLP, QNN e meccanismo GATED Attention (GA) per estrarre informazioni più complete sulle funzionalità.

Nel livello di miscelazione delle patch, l'input viene prima rimodellato in figure-protocol-18 , in cui ci concentriamo sulla dimensione della patch (cioè l'ultima dimensione); quindi, viene eseguita la normalizzazione del livello. Successivamente, questo modulo utilizza una MLP condivisa (dimensione del peso n × n) per apprendere la correlazione tra diverse patch. Nel frattempo, il QNN è realizzato con la tecnologia di ricarica quantistica20 per migliorare la capacità di espressione dello strato quantistico. Il circuito quantistico in QNN ha un totale di ql strati e l'iesimo strato contiene un circuito di codifica Ux e un ansatz figure-protocol-19, dove θi è il vettore del parametro addestrabile e i = 1, 2, ..., ql. A seguito di un'operazione di addizione ponderata, il modello produce una struttura ibrida di MLP e QNN, formulata come figure-protocol-20 per l'i-esimocomponente della dimensione patch, per integrare efficacemente le capacità di estrazione di caratteristiche classiche e quantistiche. Si noti che qui α i è un parametro addestrabile con un valore iniziale pari a 0, che indica la forza con cui viene introdotto il comportamento quantistico. Infine, il GA8 aumenta probabilisticamente le caratteristiche dominanti e ridimensiona le caratteristiche non importanti. Il livello di mixaggio delle funzioni e il livello di mixaggio dei canali funzionano in modo simile.

Dopo aver mescolato più livelli, i dati vengono elaborati come figure-protocol-21.

Previsione

Nel livello di previsione, i dati vengono prima rimodellati in figure-protocol-22. I valori futuri vengono previsti attraverso una classica testadi previsione 8: le caratteristiche codificate vengono appiattite e inserite in un classico strato lineare con dropout per generare una previsione figure-protocol-23 dei valori futuri.

Risultati sperimentali

Abbiamo condotto un'analisi empirica dettagliata sul set di dati del mondo reale, ovvero il set di dati LTNTF (Long-Term Network Traffic Forecasting)21 e altri tre popolari set di dati pubblici. Il primo esperimento si basa sul set di dati LTNTF21, che fornisce dati sul traffico orario e informazioni sulle vacanze per tre città A, B e C, nella rete del mondo reale dal 1° gennaio 2017 al 20 febbraio 2019. L'attività consiste nell'utilizzare i dati storici per costruire un modello appropriato per prevedere i valori orari del traffico per ogni città per i successivi 95 giorni. L'unicità del set di dati risiede nella sua autenticità e nella sua natura a lungo termine, in quanto offre dati dettagliati sul traffico di rete orario che coprono più città per più di 800 giorni. I risultati sperimentali sono riassunti nella Tabella 1, nella Figura 2 e nella Figura 3. Per riprodurre l'esperimento, fare riferimento a README.md in Experiment_1_LTNFT nel file supplementare 1.

Tabella 1: Confronto delle prestazioni tra QTSMixer e TSMixer nel set di dati LTNTF. In questo caso, il MAPE e l'RMSE sono utilizzati come metriche di valutazione principali e valori più bassi indicano prestazioni migliori. Clicca qui per scaricare questa tabella.

figure-protocol-24
Figura 2: Confronto dei risultati di previsione di TSMixer e QTSMixer. Qui selezioniamo casualmente tre campioni da tre città e forniamo il confronto visivo tra i valori reali e i valori previsti di TSMixer e QTSMixer. Clicca qui per visualizzare una versione più grande di questa figura.

figure-protocol-25
Figura 3: Confronto dei risultati predittivi di un caso speciale di TSMixer e QTSMixer. Qui vengono selezionati i campioni con le migliori prestazioni di QTSMixer. Clicca qui per visualizzare una versione più grande di questa figura.

Il secondo esperimento si basa sul framework BasicTS+ (Basic Time Series)22 , che è una libreria di riferimento e una cassetta degli attrezzi per la previsione delle serie temporali. Supporta una varietà di attività e set di dati, come le previsioni spazio-temporali e le previsioni di serie lunghe, e copre modelli statistici, modelli di machine learning, modelli di deep learning e altri algoritmi. BasicTS+ fornisce una piattaforma equa e completa per la replica e il confronto dei modelli di deep learning più diffusi attraverso un processo unificato e standardizzato. Il benchmark BasicTS comprende sette set di dati di serie temporali multivariate (MTS) accuratamente curati che coprono diversi domini del mondo reale per consentire una valutazione rigorosa dei modelli di previsione. La raccolta include set di dati sul traffico (PEMS04/08 per il monitoraggio del flusso), record di consumo energetico (Electricity/Etth1/Ettm1), indicatori economici (Exchange-Rate) e misurazioni ambientali (Beijing Air Quality). I risultati sperimentali sono riportati nella Tabella 2. Per riprodurre l'esperimento, fare riferimento a README.md in Experiment_2_Basicts nel File supplementare 1.

Tabella 2: Confronti delle prestazioni tra QTSMixer e altri modelli su vari set di dati del framework BasicTS+. In questo caso MAE, WAPE e RMSE vengono utilizzati come metriche di valutazione e valori più bassi indicano prestazioni migliori. I modelli con conteggi di parametri simili vengono raggruppati. Clicca qui per scaricare questa tabella.

Il terzo esperimento prevede un'analisi comparativa tra il simulatore quantistico e un vero computer quantistico. Questo esperimento confronta le prestazioni di Qiskit e del framework DQ valutando le rispettive implementazioni di QTSMixer. Sono state valutate l'accuratezza e l'efficienza di esecuzione di entrambi i framework nelle attività di previsione. In questo esperimento viene utilizzato il computer quantistico superconduttore, ibm_brisbane. I risultati sperimentali sono mostrati nella Figura 4 e nella Tabella 3. Per riprodurre l'esperimento, fare riferimento a README.md in Experiment_3_Qiskit nel file supplementare 1.

figure-protocol-26
Figura 4: Confronto tra i risultati delle previsioni di Qiskit (su hardware quantistico) e DQ (sul simulatore). Confronto tra valori effettivi e previsioni, con previsioni derivate da esperimenti Qiskit e DQ. Clicca qui per visualizzare una versione più grande di questa figura.

Tabella 3: Confronto delle prestazioni di QTSMixer tra hardware quantistico ed esperimenti di simulazione. In questo caso, il MAPE e l'RMSE sono utilizzati come metriche di valutazione principali e valori più bassi indicano prestazioni migliori. Clicca qui per scaricare questa tabella.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

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

Abbiamo condotto un'analisi empirica dettagliata su alcuni dataset. Il primo esperimento si basa sul set di dati LTNTF. Le tre città hanno mostrato modelli di distribuzione dei dati distinti: la città A ha mostrato un punto di calo significativo nel flusso di traffico all'inizio dell'anno; La città B ha mantenuto valori relativamente alti durante lo stesso periodo, mentre la città C ha mostrato una distribuzione più equilibrata durante tutto l'anno, vedi Figura supplementare

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

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

In questo articolo, abbiamo proposto QTSMixer per NTP a lungo termine, che è un nuovo approccio ibrido quantistico-classico con miglioramenti nell'accuratezza e nell'adattabilità tra domini. Questo studio non solo espande il potenziale applicativo del calcolo quantistico nella previsione delle serie temporali, ma indica anche la direzione per la sua futura distribuzione su hardware quantistico reale. Tuttavia, l'attuale architettura ibrida quantistica-classica mostra una capacità limitata nell'elaborazione di variabili e...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

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

Gli autori dichiarano di non avere interessi finanziari concorrenti.

Ringraziamenti

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

Ringraziamo Yulin Chi, Gang Xi Wang, Xinying Li, Xin Yi e Fei Wang per le loro approfondite discussioni.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Fornitore verificato - https://doi.org/10.22331/q-2020-02-06-226

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
DeepQuantumTuringQ Co., Ltd.https://deepquantum.turingq.com/Un framework di programmazione efficiente per l'apprendimento automatico quantistico e il calcolo quantistico ottico sviluppato da TuringQ.
QiskitIBMhttps://www.ibm.com/quantum/qiskitun SDK open source per lavorare con computer quantistici a livello di circuiti quantistici estesi, operatori e primitive.
ibm_brisbaneIBMhttps://quantum.ibm.com/Il computer quantistico superconduttore della famiglia IBM Quantum Eagle.
Set di dati LTNTFChina Mobilehttps://jiutian.10086.cn/open/#/dataset/710012?platform=OpenInnovationIl set di dati proviene dalla piattaforma di intelligenza artificiale Jiutian di China Mobile.
python3.10Python Software Foundationhttps://www.python.org/downloads/release/python-3100/
tecnologia di ricaricamento quantisticoPé rez-Salinas, A., Cervera-Lierta, A., Gil-Fuster, E., Latorre, J. I. Ricaricamento dei dati per un classificatore quantistico universale. Quanto. 4 226 (2019).
framework BasicTS+Shao, Z. et al. Esplorare i progressi nella previsione di serie temporali multivariate: benchmarking completo e analisi dell'eterogeneità. Transazioni IEEE su Knowledge e Data Engineering. 37, 291-305 (2023).arXiv:2310.06119v2
GPU A100NVIDIA80G
GPU TransformersHugging Facehttps://huggingface.co/La piattaforma in cui la comunità di apprendimento automatico collabora su modelli, set di dati e applicazioni.

Riferimenti

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

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Quantum Neural NetworksHybrid Quantum ClassicalTime Series AnalysisMulti Layer PerceptronTSMixer ModelLong Term PredictionFeature ExtractionPeriodic SignalsCross Domain Application
Video in arrivo

Articoli correlati