Onderzoeksartikel

Een kwantumklassiek hybride model voor het voorspellen van netwerkverkeer op lange termijn

DOI:

10.3791/68229

⸱

27 juni 2025

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

In dit artikel

Samenvatting

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

QTSMixer, een hybride kwantum-klassiek model, verbetert de voorspelling van netwerkverkeer door de beperkingen van TSMixer op het gebied van periodieke signalen en langetermijnvoorspellingen aan te pakken. Het introduceert kwantumneurale netwerkcomponenten die worden bestuurd door trainbare parameters en presteren 6.72% beter dan TSMixer in langetermijnvoorspellingen op real-world gegevens.

Samenvatting

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

Voorspelling van netwerkverkeer, een cruciale toepassing van tijdreeksanalyse, is essentieel voor netwerkbeheer en -optimalisatie. Traditionele statistische modellen en machine learning-methoden zijn gebruikt voor het voorspellen van netwerkverkeer, waarbij recente ontwikkelingen in meerlaagse perceptiemixerarchitecturen, met name TSMixer, state-of-the-art prestaties hebben opgeleverd. TSMixer staat echter voor uitdagingen met periodieke signalen en langetermijnvoorspellingen. Om deze beperkingen aan te pakken, stellen we een Quantum TSMixer (QTSMixer) model voor, een hybride kwantum-klassieke benadering die gebruikmaakt van kwantumneurale netwerken voor verbeterde functie-extractie met betrekking tot periodieke signalen en langetermijnafhankelijkheden. Door trainbare parameters te introduceren om de sterkte van de kwantumcomponenten te regelen, wordt de hybride structuur van meerlaagse perceptie en kwantumneuraal netwerk gegenereerd. Het domeinoverschrijdende toepassingspotentieel en de praktische toepassingsmogelijkheden van QTSMixer worden gedemonstreerd door middel van empirische analyse van real-world datasets, waarin QTSMixer 6,72% beter presteert dan TSMixer in de dataset voor het voorspellen van netwerkverkeer op de lange termijn. In de toekomst kan de ontwikkeling van QTSMixer verder worden verkend op andere gebieden, zoals financiële marktanalyse en weersvoorspelling.

Inleiding

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

Network Traffic Prediction (NTP)1,2,3, als een essentiële toepassing van tijdreeksanalyse 4,5, omvat het analyseren van historische netwerkverkeersgegevens om patronen en trends te identificeren, waardoor toekomstige verkeersveranderingen worden voorspeld. Het is cruciaal voor netwerkbeheer en -optimalisatie, omdat het netwerkoperators kan helpen bij de toewijzing van middelen, foutdiagnose, beveiligingsmonitoring en het waarborgen van de kwaliteit van de dienstverlening. Het NTP-probleem is goed bestudeerd door statistische modellen en machine learning-methoden3. De laatste tijd zijn architecturen op basis van Multi-Layer Perception Mixer (MLP-Mixer)6,7 populair geworden voor NTP vanwege hun krachtige vermogen om multivariate tijdreeksafhankelijkheden vast te leggen. Onder hen onderscheidt TSMixer8 zich door zijn uitzonderlijke snelheid en lichtgewicht ontwerp en heeft het State-Of-The-Art (SOTA) prestaties bereikt op benchmarkdatasets9. TSMixer kan de tijdsafhankelijkheid en de correlatie tussen functies beter vastleggen door de hybride werking van tijd- en functiedimensies. TSMixer heeft echter de volgende twee nadelen. Ten eerste is het niet geschikt voor het omgaan met periodieke signalen. Periodieke signalen zijn stabiel, bestand tegen interferentie en gemakkelijk te analyseren, waardoor ze zeer waardevol zijn in communicatie, energiesystemen en besturingssystemen. Aangezien TSMixer is gebaseerd op MLP, waarvan het wiskundige prototype een aperiodieke functie is, is TSMixer geschikt voor het verwerken van aperiodieke signalen, maar past het niet goed bij het verwerken van periodieke signalen. Ten tweede presteert het niet goed bij het maken van langetermijnvoorspellingen, omdat het wordt gehinderd door de huidige beperkingen van het computergeheugen en de opeenstapeling van fouten bij het voorspellen. Op dit moment presteren de meeste modellen slecht in het omgaan met tijdreeksvoorspelling op de lange termijn. Dit is een urgent probleem dat moet worden opgelost op het gebied van tijdreeksvoorspelling. Hoewel TSMixer goede resultaten heeft geboekt, is er nog ruimte voor verbetering. Daarom is het van groot belang om nieuwe strategieën te zoeken om deze nadelen te vermijden.

Quantum computing10 is een nieuw computerparadigma op basis van kwantummechanische wetten, dat enorme hoeveelheden gegevens zowel efficiënt als veilig kan verwerken. Quantum Neural Networks (QNN's)11,12,13 zijn een soort computermodel dat kwantumcomputing combineert met klassieke neurale netwerken, die een breed scala aan toepassingen hebben op het gebied van beeldverwerking, spraakherkenning en ziektevoorspelling. Ze maken gebruik van de eigenschappen van kwantumcomputing, zoals superpositie en verstrengeling, om informatie te verwerken en machine learning-taken uit te voeren, wat leidt tot betere simulaties, snellere berekeningen of kwantumvoordelen in termen van netwerkprestaties. Onlangs zijn enkele benaderingen onderzocht in het QNN-rijk voor tijdreeksvoorspelling 14,15,16,17,18,19. Kwantumtijdreeksmodellen kunnen traditionele modellen overtreffen op het gebied van voorspellingsnauwkeurigheid en rekenefficiëntie, vooral bij het omgaan met complexe multidimensionale gegevens. Aan de ene kant kan QNN worden uitgedrukt als een Fourierreeks, wat een periodieke functie is en geschikt is voor het verwerken van periodieke signalen; aan de andere kant zijn sommige toepassingen van QNN in tijdreeksen succesvol geweest. Daarom is het van groot belang om de rol van QNN in NTP te onderzoeken, met name NTP op de lange termijn.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

QTSMixer-methodologie

Laat figure-protocol-1 een multivariate tijdreeks zijn van lengte sl en aantal kanalen c. De multivariate voorspellingstaak wordt gedefinieerd als het voorspellen van toekomstige waarden figure-protocol-2 die een bepaalde geschiedenis figure-protocol-3 krijgen door een voorspellingsmodel figure-protocol-4, dat kan worden geformuleerd als

figure-protocol-5

Waar figure-protocol-6 is de lengte van de voorspellingssequentie en figure-protocol-7 geeft de voorspellingswaarde aan. Laat XL×C in QTSMixer de oorspronkelijke multivariate tijdreeks van lengte L en het aantal kanalen c aanduiden. We voeren de multivariate tijdreeksen in per minibatch figure-protocol-8 , waarbij sl ≤ L en b de batchgrootte is. Zoals te zien is in figuur 1, bestaat het QTSMixer-model uit vier componenten: normalisatie, patch-inbedding, menglagen en prognoses. In de trainingsfase wordt het verlies van het model berekend door de Mean Square Error (MSE) verliesfunctie figure-protocol-9 om de beste pasvorm te bereiken. De QTSMixer kan worden gekarakteriseerd als

figure-protocol-10

Waarbij θ de trainbare parametervector is en wordt bijgewerkt door stochastische gradiëntafdaling.

figure-protocol-11
Figuur 1: De architectuur op hoog niveau van QTSMixer. Hier verdelen we QTSMixer in vier componenten: normalisatie, patch-inbedding, menglagen en prognoses. Klik hier om een grotere versie van deze figuur te bekijken.

Vervolgens zullen we de modelcomponenten van QTSMixer in detail beschrijven.

Normalisatie

Het voorwaartse propagatieproces van QTSMixer begint met het ontvangen van de ingevoerde tijdreeksgegevens figure-protocol-12 . Eerst worden de invoergegevens genormaliseerd en gestandaardiseerd door de PatchTSMixer StandardScaler8 of andere scalers om de dimensionale verschillen tussen functies te elimineren en de stabiliteit van de gegevensprestaties tijdens de training te garanderen.

Patch inbedding

Eerst worden de gestandaardiseerde tijdreeksgegevens via de patchmodule onderverdeeld in meerdere segmenten met een vaste lengte (patches). Dit modelontwerp is geïnspireerd op Ekambaram et al.8 en de mogelijkheid om lokale kenmerken vast te leggen is verbeterd door de verdeling van patches. Door middel van patchdeling kan QTSMixer effectief omgaan met complexe tijdreeksgegevenspatronen, het aantal modelinvoertokens verminderen en betere resultaten behalen in een kortere trainingstijd. De minibatch figure-protocol-13 wordt omgevormd tot figure-protocol-14, waarbij n het aantal patches is en pl de patchlengte aangeeft. Laten we de stap van het patchen aanduiden, dan figure-protocol-15 .

Om de expressieve kracht van het model te vergroten, wordt elke patch via een lineaire laag in kaart gebracht op een hoger-dimensionale ruimte. Vervolgens worden de gegevens omgevormd tot figure-protocol-16 door lineaire transformatie figure-protocol-17, waarbij hf het aantal verborgen kenmerken is. De gewichtsmatrix heeft een afmeting van pl × hf.

Lagen mengen

In dit deel worden de patch-, functie- en kanaaldimensies gemengd via meerdere menglagen. Op basis van de dimensie waarop in elke mixerlaag is scherpgesteld, wordt de invoer eerst dienovereenkomstig gepermuteerd om de correlatie langs de gefocuste dimensie te leren. Vervolgens wordt de informatie geëxtraheerd door laagnormalisatie, MLP, QNN en Gated Attention (GA)-mechanisme om uitgebreidere functie-informatie te extraheren.

In de patch-menglaag wordt de invoer eerst hervormd naar figure-protocol-18 , waarin we ons concentreren op de patchdimensie (d.w.z. de laatste dimensie); vervolgens wordt de laagnormalisatie uitgevoerd. Daarna maakt deze module gebruik van een gedeelde MLP (gewichtsdimensie n × n) om de correlatie tussen verschillende patches te leren. Ondertussen wordt de QNN gerealiseerd door kwantumre-uploadtechnologie20 om het expressievermogen van de kwantumlaag te verbeteren. Het kwantumcircuit in QNN heeft in totaal ql-lagen , en de i-delaag bevat een coderingscircuit Ux en een ansatz figure-protocol-19, waarbij θi de trainbare parametervector is en i = 1, 2, ..., ql. Na een gewogen optelbewerking produceert het model een hybride structuur van MLP en QNN, geformuleerd als figure-protocol-20 voor de i-decomponent van de patchdimensie, om klassieke en kwantumfunctie-extractiemogelijkheden effectief te integreren. Merk op dat hier αi een trainbare parameter is met een beginwaarde van 0, die aangeeft hoe sterk het kwantumgedrag wordt geïntroduceerd. Ten slotte schaalt de GA8 de dominante kenmerken probabilistisch op en verkleint de onbelangrijke kenmerken. De functie menglaag en de kanaalmenglaag werken op een vergelijkbare manier.

Na meerdere menglagen worden de gegevens verwerkt als figure-protocol-21.

Vooruitzichten

In de prognoselaag worden de gegevens eerst omgevormd tot figure-protocol-22. De toekomstige waarden worden voorspeld door middel van een klassieke voorspellingskop8 - de gecodeerde kenmerken worden afgevlakt en ingevoerd in een klassieke lineaire laag met dropout om een voorspelling figure-protocol-23 van toekomstige waarden te genereren.

Experimentele resultaten

We hebben een gedetailleerde empirische analyse uitgevoerd op de real-world dataset, d.w.z. de Long-Term Network Traffic Forecasting (LTNTF) dataset21, en drie andere populaire openbare datasets. Het eerste experiment is gebaseerd op de LTNTF-dataset21, die elk uur verkeersgegevens en vakantie-informatie biedt voor drie steden A, B en C in het echte netwerk van 1 januari 2017 tot 20 februari 2019. De taak is om historische gegevens te gebruiken om een geschikt model te bouwen om de verkeerswaarden per uur voor elke stad voor de komende 95 dagen te voorspellen. Het unieke van de dataset ligt in de authenticiteit en het langetermijnkarakter ervan, met gedetailleerde netwerkverkeersgegevens per uur die meerdere steden bestrijken gedurende meer dan 800 dagen. De experimentele resultaten zijn samengevat in Tabel 1, Figuur 2 en Figuur 3. Om het experiment te reproduceren, raadpleegt u README.md in Experiment_1_LTNFT in aanvullend bestand 1.

Tabel 1: Prestatievergelijking tussen QTSMixer en TSMixer in de LTNTF-dataset. Hier worden de MAPE en RMSE gebruikt als de belangrijkste evaluatiestatistieken, en lagere waarden duiden op betere prestaties. Klik hier om deze tabel te downloaden.

figure-protocol-24
Figuur 2: Vergelijking van voorspellingsresultaten van TSMixer en QTSMixer. Hier selecteren we willekeurig drie steekproeven uit drie steden en geven we de visuele vergelijking tussen de echte waarden en de voorspelde waarden van TSMixer en QTSMixer. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-25
Figuur 3: Vergelijking van voorspellingsresultaten van een speciaal geval van TSMixer en QTSMixer. Hier worden de samples met de beste prestaties van QTSMixer geselecteerd. Klik hier om een grotere versie van deze figuur te bekijken.

Het tweede experiment is gebaseerd op het BasicTS+ (Basic Time Series)22-framework , een benchmarkbibliotheek en toolbox voor tijdreeksvoorspellingen. Het ondersteunt een verscheidenheid aan taken en datasets, zoals spatio-temporele prognoses en prognoses voor lange reeksen, en omvat statistische modellen, machine learning-modellen, deep learning-modellen en andere algoritmen. BasicTS+ biedt een eerlijk en uitgebreid platform voor de replicatie en vergelijking van populaire deep learning-modellen via een uniform en gestandaardiseerd proces. De BasicTS-benchmark bestaat uit zeven zorgvuldig samengestelde multivariate tijdreeksen (MTS) datasets die verschillende real-world domeinen bestrijken om een grondige evaluatie van prognosemodellen mogelijk te maken. De collectie omvat verkeersdatasets (PEMS04/08 voor het monitoren van debiet), gegevens over energieverbruik (Electricity/Etth1/Ettm1), economische indicatoren (Exchange-Rate) en milieumetingen (Beijing Air Quality). De experimentele resultaten zijn weergegeven in tabel 2. Om het experiment te reproduceren, raadpleegt u README.md in Experiment_2_Basicts in aanvullend bestand 1.

Tabel 2: Prestatievergelijkingen tussen QTSMixer en andere modellen op verschillende datasets van het BasicTS+ framework. Hier worden MAE, WAPE en RMSE gebruikt als evaluatiestatistieken, en lagere waarden duiden op betere prestaties. De modellen met vergelijkbare parametertellingen zijn gegroepeerd. Klik hier om deze tabel te downloaden.

Het derde experiment betreft een vergelijkende analyse tussen de quantumsimulator en een echte quantumcomputer. Dit experiment vergelijkt de prestaties van Qiskit en het DQ-framework door hun respectievelijke implementaties van QTSMixer te evalueren. De nauwkeurigheid en uitvoeringsefficiëntie van beide frameworks bij prognosetaken werden beoordeeld. In dit experiment wordt de supergeleidende kwantumcomputer, ibm_brisbane, gebruikt. De experimentele resultaten zijn weergegeven in figuur 4 en tabel 3. Om het experiment te reproduceren, raadpleegt u README.md in Experiment_3_Qiskit in aanvullend bestand 1.

figure-protocol-26
Figuur 4: Vergelijking van de voorspellingsresultaten van Qiskit (op quantumhardware) en DQ (op de simulator). Vergelijking tussen werkelijke waarden en voorspellingen, met voorspellingen afgeleid van Qiskit- en DQ-experimenten. Klik hier om een grotere versie van deze figuur te bekijken.

Tabel 3: Prestatievergelijking van QTSMixer tussen kwantumhardware en simulatie-experimenten. Hier worden de MAPE en RMSE gebruikt als de belangrijkste evaluatiestatistieken, en lagere waarden duiden op betere prestaties. Klik hier om deze tabel te downloaden.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

We hebben een gedetailleerde empirische analyse uitgevoerd op enkele datasets. Het eerste experiment is gebaseerd op de LTNTF-dataset. De drie steden vertoonden verschillende patronen in de gegevensverdeling: stad A vertoonde aan het begin van het jaar een aanzienlijk dieptepunt in de verkeersstroom; Stad B handhaafde in dezelfde periode relatief hoge waarden, terwijl stad C een meer evenwichtige verdeling over het jaar vertoonde, zie aanvullende figuur S1

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

In dit artikel hebben we QTSMixer voorgesteld voor NTP op de lange termijn, een nieuwe kwantum-klassieke hybride benadering met verbeteringen in nauwkeurigheid en domeinoverschrijdend aanpassingsvermogen. Deze studie breidt niet alleen het toepassingspotentieel van kwantumcomputing in tijdreeksvoorspelling uit, maar wijst ook de richting aan voor de toekomstige inzet ervan op echte kwantumhardware. De huidige kwantum-klassieke hybride architectuur vertoont echter een beperkte capaciteit ...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

De auteurs verklaren dat zij geen concurrerende financiële belangen hebben.

Dankbetuigingen

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

We danken Yulin Chi, Gang Xi Wang, Xinying Li, Xin Yi en Fei Wang voor hun verhelderende discussies.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
DeepQuantumTuringQ Co., Ltd.https://deepquantum.turingq.com/Een efficiënt programmeerframework voor kwantummachine learning en optisch kwantumcomputing ontwikkeld door TuringQ.
QiskitIBMhttps://www.ibm.com/quantum/qiskitEen open-source SDK voor het werken met kwantumcomputers op het niveau van uitgebreide kwantumcircuits, operatoren en primitieven.
ibm_brisbaneIBMhttps://quantum.ibm.com/De supergeleidende kwantumcomputer in de IBM Quantum Eagle-familie.
LTNTF datasetChina Mobilehttps://jiutian.10086.cn/open/#/dataset/710012?platform=OpenInnovationDe dataset komt van het Jiutian AI-platform van China Mobile.
python3.10Python Software Foundationhttps://www.python.org/downloads/release/python-3100/
quantum re-uploading technologyPérez-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+ frameworkShao, Z. et al. Exploring progress in multivariate time series forecasting: Comprehensive benchmarking and heterogeneity analysis. IEEE Transactions on Knowledge and Data Engineering. 37 291-305 (2023).arXiv:2310.06119v2
GPU A100NVIDIA80G GPU
TransformersHugging Facehttps://huggingface.co/Het platform waar de machine learning-gemeenschap samenwerkt aan modellen, datasets en toepassingen.

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Kwantumneurale netwerkenHybride kwantum klassiekTijdreeksanalyseMulti layer perceptronTSMixer modelLangetermijnvoorspellingKenmerkextractiePeriodieke signalenCross domeintoepassing
Video binnenkort beschikbaar

Gerelateerde artikelen