연구 논문

장기 네트워크 트래픽 예측을 위한 양자-고전 하이브리드 모델

DOI:

10.3791/68229

⸱

2025년 6월 27일

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

이 논문에서

요약

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

하이브리드 양자-고전 모델인 QTSMixer는 주기적 신호 및 장기 예측에 대한 TSMixer의 한계를 해결하여 네트워크 트래픽 예측을 향상시킵니다. 훈련 가능한 매개변수로 제어되는 양자 신경망 구성 요소를 도입하여 실제 데이터에 대한 장기 예측에서 TSMixer를 6.72% 능가합니다.

초록

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

시계열 분석의 중요한 응용 프로그램인 네트워크 트래픽 예측은 네트워크 관리 및 최적화에 필수적입니다. 네트워크 트래픽 예측에는 전통적인 통계 모델과 머신 러닝 방법이 사용되었으며, 최근 다층 인식 믹서 아키텍처, 특히 TSMixer의 발전으로 최첨단 성능을 달성했습니다. 그러나 TSMixer는 주기적인 신호와 장기 예측과 관련된 문제에 직면해 있습니다. 이러한 한계를 해결하기 위해 주기적 신호 및 장기 종속성과 관련된 향상된 기능 추출을 위해 양자 신경망을 활용하는 하이브리드 양자-고전적 접근 방식인 Quantum TSMixer(QTSMixer) 모델을 제안합니다. 양자 구성 요소의 강도를 제어하기 위해 학습 가능한 매개변수를 도입함으로써 다층 인식과 양자 신경망의 하이브리드 구조가 생성됩니다. QTSMixer의 도메인 간 애플리케이션 잠재력과 실제 애플리케이션 기능은 실제 데이터 세트에 대한 실증적 분석을 통해 입증되었으며, QTSMixer는 장기 네트워크 트래픽 예측 데이터 세트에서 TSMixer를 6.72% 능가합니다. 향후 QTSMixer의 개발은 금융 시장 분석 및 날씨 예측과 같은 다른 분야에서 더 많이 탐구될 수 있습니다.

서론

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

시계열 분석 4,5의 필수 애플리케이션인 네트워크 트래픽 예측(NTP)1,2,3은 과거 네트워크 트래픽 데이터를 분석하여 패턴과 추세를 식별함으로써 미래의 트래픽 변화를 예측하는 것을 포함합니다. 이는 네트워크 운영자가 리소스 할당, 장애 진단, 보안 모니터링 및 서비스 품질 보증에서 도움을 줄 수 있으므로 네트워크 관리 및 최적화에 매우 중요합니다. NTP 문제는 통계 모델과 기계 학습 방법에 의해 잘 연구되었습니다3. 최근에는 MLP-Mixer(Multi-Layer Perception Mixer)6,7 기반 아키텍처가 다변량 시계열 종속성을 캡처할 수 있는 강력한 기능으로 인해 NTP에서 인기를 얻고 있습니다. 그 중 TSMixer8은 뛰어난 속도와 가벼운 디자인으로 두드러지며 벤치마크 데이터 세트9에서 SOTA(State-Of-The-Art) 성능을 달성했습니다. TSMixer는 시간과 기능 차원의 하이브리드 작업을 통해 기능 간의 시간 종속성과 상관 관계를 더 잘 캡처할 수 있습니다. 그러나 TSMixer에는 다음과 같은 두 가지 단점이 있습니다. 첫째, 주기적인 신호를 처리하는 데 적합하지 않습니다. 주기적 신호는 안정적이고 간섭에 강하며 분석이 용이하여 통신, 전력 시스템 및 제어 시스템에서 매우 중요합니다. TSMixer는 수학적 프로토타입이 비주기적 함수인 MLP를 기반으로 하기 때문에 TSMixer는 비주기적 신호 처리에는 적합하지만 주기적 신호를 처리할 때는 적합하지 않습니다. 둘째, 현재 컴퓨터 메모리 제한과 예측 오류 누적으로 인해 방해를 받기 때문에 장기 예측을 할 때 잘 수행되지 않습니다. 현재 대부분의 모델은 장기 시계열 예측을 처리하는 데 성능이 좋지 않습니다. 이것은 시계열 예측 분야에서 해결해야 할 시급한 문제입니다. TSMixer는 좋은 결과를 얻었지만 여전히 개선의 여지가 있습니다. 따라서 이러한 단점을 피하기 위해 새로운 전략을 모색하는 것이 매우 중요합니다.

양자 컴퓨팅10은 양자 역학 법칙에 기반한 새로운 컴퓨팅 패러다임으로, 방대한 양의 데이터를 효율적이고 안전하게 처리할 수 있습니다. 양자 신경망(QNN)11,12,13은 이미지 처리, 음성 인식 및 질병 예측에 광범위하게 적용되는 양자 컴퓨팅과 고전 신경망을 결합한 일종의 컴퓨팅 모델입니다. 중첩 및 얽힘과 같은 양자 컴퓨팅의 속성을 활용하여 정보를 처리하고 기계 학습 작업을 수행하여 더 나은 시뮬레이션, 더 빠른 계산 또는 네트워크 성능 측면에서 양자 이점을 제공합니다. 최근에는 시계열 예측 14,15,16,17,18,19에 대한 QNN 영역에서 몇 가지 접근 방식이 조사되었습니다. 양자 시계열 모델은 특히 복잡한 다차원 데이터를 처리할 때 예측 정확도와 계산 효율성 측면에서 기존 모델을 능가할 수 있습니다. 한편으로, QNN은 푸리에 급수로 표현될 수 있으며, 이는 주기적 함수이며 주기적 신호를 처리하는 데 적합합니다. 반면에 시계열에서 QNN의 일부 응용 프로그램은 성공적이었습니다. 따라서 NTP, 특히 장기 NTP에서 QNN의 역할을 탐구하는 것은 매우 중요합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

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

QTSMixer 방법론

길이 sl과 채널 수 c의 다변량 시계열을 라고 합시다figure-protocol-1. 다변량 예측 작업은 예측 모델에 figure-protocol-2의해 일부 기록 figure-protocol-3 이 주어진 미래 값을 figure-protocol-4 예측하는 것으로 정의되며, 이는 다음과 같이 공식화될 수 있습니다.

figure-protocol-5

여기서 figure-protocol-6 는 예측 시퀀스 길이이고 figure-protocol-7 는 예측 값을 나타냅니다. QTSMixer에서 XL×C는 길이 L 과 채널 수 c의 원래 다변량 시계열을 나타냅니다. 다변량 시계열을 미니배치 figure-protocol-8 로 입력하며, 여기서 sl ≤ L 및 b 는 배치 크기입니다. 그림 1에서 볼 수 있듯이 QTSMixer 모델은 정규화, 패치 임베딩, 레이어 혼합 및 예측의 네 가지 구성 요소로 구성됩니다. 학습 단계에서 모델의 손실은 최적 맞춤을 달성하기 위해 평균 제곱 오차(MSE) 손실 함수에 figure-protocol-9 의해 계산됩니다. QTSMixer는 다음과 같이 특성화할 수 있습니다.

figure-protocol-10

여기서 θ 는 훈련 가능한 매개변수 벡터이며 확률적 경사 하강법에 의해 업데이트됩니다.

figure-protocol-11
그림 1: QTSMixer의 상위 수준 아키텍처. 여기에서는 QTSMixer를 정규화, 패치 임베딩, 레이어 혼합 및 예측의 네 가지 구성 요소로 나눕니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

다음으로 QTSMixer의 모델 구성 요소에 대해 자세히 설명합니다.

표준화

QTSMixer의 순전파 프로세스는 입력된 시계열 데이터를 figure-protocol-12 수신하는 것으로 시작됩니다. 첫째, 입력 데이터는 PatchTSMixer StandardScaler8 또는 기타 스케일러에 의해 정규화 및 표준화되어 기능 간의 차원 차이를 제거하고 학습 중 데이터 성능의 안정성을 보장합니다.

패치 임베딩

먼저, 표준화된 시계열 데이터는 patching 모듈을 통해 여러 개의 고정 길이 세그먼트(patch)로 나뉩니다. 이 모델 디자인은 Ekambaram et al.8에서 영감을 받았으며 패치 분할을 통해 로컬 기능을 캡처하는 기능이 개선되었습니다. QTSMixer는 패치 분할을 통해 복잡한 시계열 데이터 패턴을 효과적으로 처리하고, 모델 입력 토큰의 수를 줄이며, 더 짧은 학습 시간으로 더 나은 결과를 얻을 수 있습니다. 미니배치 figure-protocol-13 는 로 figure-protocol-14모양이 변경되며, 여기서 n 은 패치 수이고 pl 은 패치 길이를 나타냅니다. s가 패치의 보폭을 나타내면 figure-protocol-15 .

모델의 표현력을 높이기 위해 각 패치는 선형 레이어를 통해 더 높은 차원의 공간에 매핑됩니다. 그런 다음 데이터는 선형 변환 figure-protocol-16에 의해 재구성 figure-protocol-17 되며, 여기서 hf 는 숨겨진 기능의 수입니다. 가중치 행렬의 차원은 pl × hf 입니다.

레이어 혼합

이 부분에서는 패치, 기능 및 채널 치수가 여러 혼합 레이어를 통해 혼합됩니다. 각 믹서 레이어에서 초점이 맞춰진 차원을 기반으로 입력은 먼저 그에 따라 치환되어 초점이 맞춰진 차원을 따라 상관 관계를 학습합니다. 그런 다음 레이어 정규화, MLP, QNN 및 GA(Gated Attention) 메커니즘에 의해 정보를 추출하여 보다 포괄적인 기능 정보를 추출합니다.

패치 믹싱 레이어에서 입력은 먼저 로 모양 figure-protocol-18 이 변경되며, 여기서 패치 차원(즉, 마지막 차원)에 초점을 맞춥니다.그런 다음 레이어 정규화가 수행됩니다. 그런 다음 이 모듈에서는 공유 MLP(가중치 차원 n × n)를 사용하여 서로 다른 패치 간의 상관 관계를 학습합니다. 한편, QNN은 양자 재업로드 기술(20)에 의해 구현되어 양자 계층의 발현 능력을 향상시킨다. QNN의 양자 회로는 총 ql 층을 가지며 i번째 층에는 인코딩 회로 Ux 와 ansatz figure-protocol-19가 포함되며, 여기서 θi 는 훈련 가능한 매개 변수 벡터이고 i = 1, 2, ..., ql 입니다. 가중 덧셈 연산에 따라 모델은 패치 차원의 i번째 구성 요소에 대해 공식화된 figure-protocol-20 MLP 및 QNN의 하이브리드 구조를 생성하여 고전 및 양자 특징 추출 기능을 효과적으로 통합합니다. 여기서 α i는 초기 값이 0인 학습 가능한 매개 변수이며, 이는 양자 동작이 얼마나 강력하게 도입되는지를 나타냅니다. 마지막으로, GA8은 확률적으로 지배적인 기능을 업스케일링하고 중요하지 않은 기능을 축소합니다. 피처 믹싱 레이어와 채널 믹싱 레이어는 비슷한 방식으로 작동합니다.

여러 혼합 레이어 후에 데이터는 로 처리됩니다 figure-protocol-21.

예측

예측 계층에서 데이터는 먼저 로 모양 figure-protocol-22이 변경됩니다. 미래 값은 고전적인 예측 헤드8을 통해 예측되며, 인코딩된 특징은 평평해지고 드롭아웃이 있는 고전적인 선형 계층에 공급되어 미래 값의 예측 figure-protocol-23 을 생성합니다.

실험 결과

우리는 실제 데이터 세트, 즉 LTNTF(Long-Term Network Traffic Forecasting) 데이터 세트21 및 기타 3개의 인기 있는 공개 데이터 세트에 대한 상세한 실증 분석을 수행했습니다. 첫 번째 실험은 2017년 1월 1일부터2019년 2월 20일까지 실제 네트워크에서 A, B, C 3개의 도시에 대한 시간별 교통 데이터 및 휴일 정보를 제공하는 LTNTF 데이터 세트 21을 기반으로 합니다. 과제는 과거 데이터를 사용하여 향후 95일 동안 각 도시의 시간당 교통량 값을 예측하는 적절한 모델을 구축하는 것입니다. 데이터 세트의 독창성은 800일 이상 동안 여러 도시를 포괄하는 상세한 시간별 네트워크 트래픽 데이터를 제공하는 신뢰성과 장기적인 특성에 있습니다. 실험 결과는 표 1, 그림 2 및 그림 3에 요약되어 있습니다. 실험을 재현하려면 보충 파일 1의 Experiment_1_LTNFT README.md 참조하십시오.

표 1: LTNTF 데이터 세트에서 QTSMixer와 TSMixer의 성능 비교. 여기서 MAPE 및 RMSE는 주요 평가 메트릭으로 사용되며 값이 낮을수록 성능이 우수함을 나타냅니다. 이 표를 다운로드하려면 여기를 클릭하십시오.

figure-protocol-24
그림 2: TSMixer와 QTSMixer의 예측 결과 비교. 여기서 우리는 3개 도시에서 3개의 샘플을 무작위로 선택하고 TSMixer 및 QTSMixer의 실제 값과 예측 값을 시각적으로 비교합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-protocol-25
그림 3: TSMixer와 QTSMixer의 특별한 경우의 예측 결과 비교. 여기에서 QTSMixer의 성능이 가장 좋은 샘플이 선택됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

두 번째 실험은 시계열 예측을 위한 벤치마크 라이브러리 및 도구 상자인 BasicTS+(Basic Time Series)22 프레임워크를 기반으로 합니다. 시공간 예측 및 긴 계열 예측과 같은 다양한 작업 및 데이터 세트를 지원하며 통계 모델, 기계 학습 모델, 딥 러닝 모델 및 기타 알고리즘을 다룹니다. BasicTS+는 통합되고 표준화된 프로세스를 통해 인기 있는 딥 러닝 모델의 복제 및 비교를 위한 공정하고 포괄적인 플랫폼을 제공합니다. BasicTS 벤치마크는 예측 모델을 엄격하게 평가할 수 있도록 다양한 실제 영역에 걸쳐 신중하게 선별된 7개의 다변량 시계열(MTS) 데이터 세트로 구성됩니다. 이 컬렉션에는 교통 데이터셋(유량 모니터링을 위한 PEMS04/08), 에너지 소비 기록(Electricity/Etth1/Ettm1), 경제 지표(환율) 및 환경 측정(Beijing Air Quality)이 포함됩니다. 실험 결과는 표 2에 나타내었다. 실험을 재현하려면 보충 파일 1의 Experiment_2_Basicts README.md 참조하십시오.

표 2: BasicTS+ 프레임워크의 다양한 데이터 세트에 대한 QTSMixer와 기타 모델 간의 성능 비교. 여기서 MAE, WAPE 및 RMSE는 평가 메트릭으로 사용되며 값이 낮을수록 성능이 우수합니다. 모수 수가 비슷한 모형이 그룹화되어 있습니다. 이 표를 다운로드하려면 여기를 클릭하십시오.

세 번째 실험은 양자 시뮬레이터와 실제 양자 컴퓨터 간의 비교 분석과 관련이 있습니다. 이 실험은 QTSMixer의 각각의 구현을 평가하여 Qiskit과 DQ 프레임워크의 성능을 비교한다. 예측 작업에서 두 프레임워크의 정확성과 실행 효율성을 평가했습니다. 이 실험에는 초전도 양자 컴퓨터인 ibm_brisbane가 사용됩니다. 실험 결과는 그림 4 및 표 3에 나와 있습니다. 실험을 재현하려면 보충 파일 1의 Experiment_3_Qiskit README.md 참조하십시오.

figure-protocol-26
그림 4: Qiskit(양자 하드웨어)과 DQ(시뮬레이터)의 예측 결과 비교. Qiskit 및 DQ 실험에서 파생된 예측을 사용하여 실제 값과 예측을 비교합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

표 3: 양자 하드웨어와 시뮬레이션 실험 간의 QTSMixer 성능 비교. 여기서 MAPE 및 RMSE는 주요 평가 메트릭으로 사용되며 값이 낮을수록 성능이 우수합니다. 이 표를 다운로드하려면 여기를 클릭하십시오.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

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

일부 데이터 세트에 대해 상세한 실증적 분석을 수행했습니다. 첫 번째 실험은 LTNTF 데이터 세트를 기반으로 합니다. 세 도시는 뚜렷한 데이터 분포 패턴을 보였다: 도시 A는 연초에 교통 흐름에서 현저히 낮은 지점을 보였다. B 도시는 같은 기간 동안 상대적으로 높은 값을 유지한 반면, C 도시는 연중 내내 더 균형 잡힌 분포를 보였습니다(자세한 내용은 보충 그림 S1, 보충 그림 S2 및 보충 그림 S3 참조). 실험 결과는 표 1에 요약되어 있으며, 여기서 양자 회로 모듈은 DeepQuantum(DQ) 프레임워크에 의해 구현됩니다. 모델 예측은 비정규화되고 MAPE(Mean Absolute Percentage Error) 및 RMSE(Root Mean S...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

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

이 논문에서는 정확도와 도메인 간 적응성을 개선한 새로운 양자-고전적 하이브리드 접근 방식인 장기 NTP를 위한 QTSMixer를 제안했습니다. 본 연구는 시계열 예측에서 양자 컴퓨팅의 적용 가능성을 확대할 뿐만 아니라 향후 실제 양자 하드웨어에 배포될 방향을 제시합니다. 그러나 현재의 양자-고전적 하이브리드 아키텍처는 외인성 변수를 처리하는 데 제한된 능력을 보여줍니다. 향후 개선은 채널 믹서 블록을 통합하여 양자 효율성을 유지하면서 교차 변수 정보 추출을 향상시킬 수 있습니다.

여기서, QNN 및 MLP를 기반으로 하는 QTSMixer 모델은 NTP 문제를 처리할 때 TSMixer보다 예측 정확도가 높습니다. 우리가 아는 한, QTSMixer는 장기 NTP를 위한 최초의 양자-고전 하이브리드 모델입니다.

양자-고전적 하이브리드 아키텍처:
QTSMixer는 하이브리드 양자-고전 아키텍처를 사용...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

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

저자는 경쟁하는 재정적 이해관계가 없다고 선언합니다.

감사의 글

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

통찰력 있는 토론을 해주신 Yulin Chi, Gang Xi Wang, Xinying Li, Xin Yi, Fei Wang에게 감사드립니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
DeepQuantumTuringQ Co., Ltd.https://deepquantum.turingq.com/TuringQ에서 개발한 양자 기계 학습 및 광학 양자 컴퓨팅을 위한 효율적인 프로그래밍 프레임워크입니다.
QiskitIBMhttps://www.ibm.com/quantum/qiskit확장된 양자 회로, 연산자 및 프리미티브 수준에서 양자 컴퓨터로 작업하기 위한 오픈 소스 SDK입니다.
ibm_brisbaneIBMhttps://quantum.ibm.com/IBM Quantum Eagle 제품군의 초전도 양자 컴퓨터.
LTNTF 데이터 세트China Mobilehttps://jiutian.10086.cn/open/#/dataset/710012?platform=OpenInnovation데이터 세트는 China Mobile의 Jiutian AI 플랫폼에서 가져온 것입니다.
python3.10Python Software Foundationhttps://www.python.org/downloads/release/python-3100/
양자 재업로드 기술Pé rez-Salinas, A., Cervera-Lierta, A., Gil-Fuster, E., Latorre, J. I. 범용 양자 분류기를 위한 데이터 재업로드. 양자. 4 226 (2019년).
BasicTS+ 프레임워크Shao, Z. et al. 다변량 시계열 예측의 진행 상황 탐색: 포괄적인 벤치마킹 및 이질성 분석. 지식 및 데이터 엔지니어링에 대한 IEEE 트랜잭션. 37 291-305 (2023년).arXiv:2310.06119v2
GPU A100NVIDIA80G GPU
TransformersHugging Facehttps://huggingface.co/머신 러닝 커뮤니티가 모델, 데이터 세트 및 애플리케이션에 대해 협업하는 플랫폼입니다.
공급자:https://doi.org/10.22331/q-2020-02-06-226

참고문헌

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

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청

허가 요청

태그

Quantum Neural NetworksHybrid Quantum ClassicalTime Series AnalysisMulti Layer PerceptronTSMixer ModelLong Term PredictionFeature ExtractionPeriodic SignalsCross Domain Application
동영상 곧 제공

관련 논문