Kwantowo-klasyczny model hybrydowy do długoterminowego przewidywania ruchu sieciowego

Yuhong Huang; Yongmei Li; Shuai Hou; Xiang Zhao; Chengkang Pan; Xian Lu; Ding Wang

doi:10.3791/68229

Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł badawczy

Kwantowo-klasyczny model hybrydowy do długoterminowego przewidywania ruchu sieciowego

774 wyświetleń

⸱

DOI:

10.3791/68229

⸱

27 czerwca 2025

Yuhong Huang¹ , Yongmei Li¹ , Shuai Hou¹ , Xiang Zhao² , Chengkang Pan¹ , Xian Lu¹ , Ding Wang²

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

W tym artykule

Podsumowanie

QTSMixer, hybrydowy model kwantowo-klasyczny, usprawnia przewidywanie ruchu sieciowego, rozwiązując ograniczenia TSMixera w zakresie sygnałów okresowych i prognoz długoterminowych. Wprowadza komponenty kwantowej sieci neuronowej kontrolowane przez parametry, które można trenować, przewyższając TSMixer o 6,72% w długoterminowych prognozach dotyczących danych ze świata rzeczywistego.

Streszczenie

Przewidywanie ruchu sieciowego, krytyczne zastosowanie analizy szeregów czasowych, jest niezbędne do zarządzania siecią i jej optymalizacji. Tradycyjne modele statystyczne i metody uczenia maszynowego zostały wykorzystane do przewidywania ruchu sieciowego, gdzie ostatnie postępy w architekturach wielowarstwowych mikserów percepcji, w szczególności TSMixer, osiągnęły najnowocześniejszą wydajność. Jednak TSMixer stoi przed wyzwaniami związanymi z okresowymi sygnałami i długoterminowymi prognozami. Aby rozwiązać te problemy, proponujemy model Quantum TSMixer (QTSMixer), hybrydowe podejście kwantowo-klasyczne, które wykorzystuje kwantowe sieci neuronowe do ulepszonej ekstrakcji cech związanych z sygnałami okresowymi i długoterminowymi zależnościami. Poprzez wprowadzenie parametrów, które można trenować, w celu kontrolowania siły komponentów kwantowych, generowana jest hybrydowa struktura percepcji wielowarstwowej i kwantowej sieci neuronowej. Międzydomenowy potencjał aplikacji QTSMixer i jego praktyczne możliwości zostały zademonstrowane poprzez analizę empiryczną na rzeczywistych zestawach danych, w której QTSMixer przewyższa TSMixer o 6,72% w zestawie danych do długoterminowego przewidywania ruchu sieciowego. W przyszłości rozwój QTSMixer może być dalej badany w innych dziedzinach, takich jak analiza rynków finansowych i prognozowanie pogody.

Wprowadzenie

Przewidywanie ruchu sieciowego (NTP)¹^,²^,³, jako podstawowe zastosowanie analizy szeregów czasowych⁴^,⁵, polega na analizie historycznych danych o ruchu sieciowym w celu identyfikacji wzorców i trendów, a tym samym prognozowaniu przyszłych zmian ruchu. Ma kluczowe znaczenie dla zarządzania siecią i jej optymalizacji, ponieważ może pomóc operatorom sieci w alokacji zasobów, diagnozowaniu usterek, monitorowaniu bezpieczeństwa i zapewnianiu jakości usług. Problem NTP został dobrze zbadany przez modele statystyczne i metody uczenia maszynowego³. Ostatnio architektury oparte na Multi-Layer Perception Mixer (MLP-Mixer)⁶^,⁷ stają się popularne w NTP ze względu na ich potężną zdolność do przechwytywania wielowymiarowych zależności szeregów czasowych. Wśród nich TSMixer⁸ wyróżnia się wyjątkową szybkością i lekką konstrukcją oraz osiągnął wydajność State-Of-The-Art (SOTA) w zestawach danych porównawczych⁹. TSMixer może lepiej uchwycić zależność czasową i korelację między cechami poprzez hybrydową operację wymiarów czasu i funkcji. TSMixer ma jednak następujące dwie wady. Po pierwsze, nie nadaje się do radzenia sobie z sygnałami okresowymi. Sygnały okresowe są stabilne, odporne na zakłócenia i łatwe do analizy, co czyni je bardzo cennymi w systemach komunikacyjnych, elektroenergetycznych i sterowania. Ponieważ TSMixer jest oparty na MLP, którego matematycznym prototypem jest funkcja aperiodyczna, TSMixer nadaje się do przetwarzania sygnałów aperiodycznych, ale nie nadaje się dobrze do przetwarzania sygnałów okresowych. Po drugie, nie sprawdza się dobrze podczas przewidywania długoterminowego, ponieważ jest utrudniony przez obecne ograniczenia pamięci komputera i nagromadzenie błędów w przewidywaniu. Obecnie większość modeli ma słabą wydajność w radzeniu sobie z długoterminowym przewidywaniem szeregów czasowych. Jest to pilny problem, który należy rozwiązać w dziedzinie przewidywania szeregów czasowych. Chociaż TSMixer osiągnął dobre wyniki, wciąż jest miejsce na poprawę. Dlatego bardzo ważne jest poszukiwanie nowych strategii, aby uniknąć tych wad.

Quantum computing¹⁰ to nowy paradygmat obliczeniowy oparty na prawach mechaniki kwantowej, który może przetwarzać ogromne ilości danych zarówno wydajnie, jak i bezpiecznie. Kwantowe sieci neuronowe (QNNs)¹¹^,^12,¹³ to rodzaj modelu obliczeniowego, który łączy obliczenia kwantowe i klasyczne sieci neuronowe, które mają szeroki zakres zastosowań w przetwarzaniu obrazów, rozpoznawaniu mowy i przewidywaniu chorób. Wykorzystują one właściwości obliczeń kwantowych, takie jak superpozycja i splątanie, do przetwarzania informacji i wykonywania zadań uczenia maszynowego, co prowadzi do lepszych symulacji, szybszych obliczeń lub przewagi kwantowej pod względem wydajności sieci. Ostatnio w obszarze QNN zbadano niektóre podejścia do prognozowania szeregów czasowych¹⁴^,¹⁵^,¹⁶^,¹⁷^,¹⁸^,¹⁹. Kwantowe modele szeregów czasowych mogą przewyższyć tradycyjne modele pod względem dokładności przewidywania i wydajności obliczeniowej, zwłaszcza w przypadku złożonych danych wielowymiarowych. Z jednej strony QNN można wyrazić jako szereg Fouriera, który jest funkcją okresową i nadaje się do przetwarzania sygnałów okresowych; z drugiej strony, niektóre zastosowania QNN w szeregach czasowych odniosły sukces. Dlatego bardzo interesujące jest zbadanie roli QNN w NTP, zwłaszcza w długoterminowym NTP.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Metodologia QTSMixer

Niech $Równanie macierzowe $X_{s \times l \times c} \in \mathbb{R}^{s \times l \times c}$; symbol matematyczny.$ będzie wielowymiarowym szeregiem czasowym o długości sl i liczbie kanałów c. Zadanie wielowymiarowego prognozowania definiuje się jako przewidywanie przyszłych wartości Wzór matematyczny Y w przestrzeni R; koncepcja: reprezentacja macierzowa w algebrze liniowej. na podstawie historii Równowaga statyczna, ΣFx=0, schemat, analiza sił mechanicznych, studium inżynieryjne, rozkład wektorów. za pomocą modelu prognozującego Równowaga statyczna; ΣFx=0; schemat; analiza mechaniki; wektory sił; zwięzłe zastosowanie edukacyjne. , co można sformułować następująco:

Równanie modelu matematycznego przedstawiające statystyczną predykcję dla analizy danych naukowych.

Gdzie Wzór na równowagę statyczną ΣFx=0; schemat równania; koncepcja obliczeń fizycznych. to długość sekwencji prognozowanej, a Symbol matematyczny estymatora statystycznego w analizie danych, istotny dla modelowania predykcyjnego. oznacza wartość prognozy. W QTSMixer niech X_L×C oznacza oryginalny wielowymiarowy szereg czasowy o długości L i liczbie kanałów c. Wprowadzamy wielowymiarowy szereg czasowy w postaci minipaczki Notacja matematyczna, wymiary macierzy, wzór przedstawiający wymiary tensora w rachunku wielozmiennym. , gdzie sl ≤ L, a b jest rozmiarem partii. Jak pokazano na Rysunku 1, model QTSMixer składa się z czterech komponentów: normalizacji, osadzania patchy (patch embedding), warstw mieszających oraz prognozowania. W fazie uczenia strata modelu jest obliczana za pomocą funkcji straty średnio-kwadratowego błędu (MSE) Schemat równowagi statycznej; ΣFx=0; waga ramienna; siły, moment obrotowy; edukacyjna koncepcja fizyczna. w celu uzyskania najlepszego dopasowania. QTSMixer można scharakteryzować jako

Równanie optymalizacji dla uczenia maszynowego, argmin, funkcja straty, wzór matematyczny.

Gdzie θ jest trenowalnym wektorem parametrów, który jest aktualizowany za pomocą stochastycznego spadku gradientu.

Schemat prognozowania szeregów czasowych; proces: normalizacja, osadzanie patchy, warstwa mieszania, prognozowanie.
Rysunek 1: Ogólna architektura QTSMixer. Tutaj dzielimy QTSMixer na cztery komponenty: normalizację, osadzanie patchy (patch embedding), warstwy mieszania oraz prognozowanie. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

W dalszej części szczegółowo omówimy komponenty modelu QTSMixer.

Normalizacja

Proces propagacji w przód w modelu QTSMixer rozpoczyna się od odebrania wejściowych danych szeregów czasowych Równanie, oznaczenia symboliczne wymiarów macierzy w algebrze tensorowej, schemat edukacyjny. . Najpierw dane wejściowe są normalizowane i standaryzowane za pomocą StandardScaler⁸ w PatchTSMixer lub innych skalerów, aby wyeliminować różnice wymiarowe między cechami i zapewnić stabilność parametrów danych podczas treningu.

Osadzanie fragmentów (patch embedding)

W pierwszej kolejności ustandaryzowane dane z serii czasowych są dzielone na wiele segmentów o stałej długości (patchy) za pomocą modułu patchowania. Projekt tego modelu jest inspirowany pracą Ekambarama i wsp.⁸, a zdolność do wychwytywania lokalnych cech zostaje ulepszona dzięki podziałowi na patche. Dzięki podziałowi na patche, QTSMixer może efektywnie przetwarzać złożone wzorce danych w szeregach czasowych, redukować liczbę tokenów wejściowych modelu i osiągać lepsze wyniki w krótszym czasie trenowania. Mini-batch $Równanie macierzowe, $X^B_{b \times sl \times c}$, ilustrujące wymiary tensora, formuła naukowa.$ jest przekształcany w $Równanie równowagi statycznej, $X^P_{b \times n \times p \times l \times c} \in \mathbb{R}^{b \times n \times p \times l \times c}$, formuła.$ , gdzie n to liczba patchy, a pl oznacza długość patcha. Niech s oznacza krok (stride) patchowania, wtedy Równanie dla etapów potoku; n=|sl-pl|/s+1; diagram; formuła edukacyjna. .

Aby zwiększyć moc ekspresyjną modelu, każdy fragment (patch) jest odwzorowywany na przestrzeń o wyższym wymiarze za pomocą warstwy liniowej. Następnie dane są przekształcane w $Równanie dla tensora danych w sieci neuronowej, symbol: $X = b \times n \times hf \times c$$ poprzez transformację liniową Notacja odwzorowania funkcjonalnego, ℝ^pl ↦ ℝ^hf, na schemacie matematycznym. , gdzie hf oznacza liczbę ukrytych cech. Macierz wag ma wymiar pl × hf.

Mieszanie warstw

W tej części wymiary łatek (patch), cech i kanałów są mieszane poprzez wiele warstw mieszających. W zależności od wymiaru będącego w centrum uwagi w każdej warstwie mieszacza, wejście jest najpierw odpowiednio permutowane, aby nauczyć się korelacji wzdłuż skupionego wymiaru. Następnie informacje są wydobywane za pomocą normalizacji warstwowej, MLP, QNN oraz mechanizmu bramkowanej uwagi (GA), aby wyodrębnić bardziej kompleksowe informacje o cechach.

W warstwie mieszania patchy (patch mixing layer) wejście jest najpierw przekształcane do postaci Wyrażenie matematyczne, XP b×h f×c×n; badania edukacyjne, analiza wzoru. , przy czym skupiamy się na wymiarze patcha (tj. ostatnim wymiarze); następnie przeprowadzana jest normalizacja warstwy. Po tym moduł ten wykorzystuje współdzielony MLP (wymiar wag n × n), aby nauczyć się korelacji między różnymi patchami. Jednocześnie QNN jest realizowana za pomocą technologii ponownego przesyłania kwantowego (quantum re-uploading)²⁰, aby zwiększyć zdolność ekspresji warstwy kwantowej. Obwód kwantowy w QNN składa się z łącznie ql warstw, a i-ta warstwa zawiera obwód kodujący U_x oraz ansatz Równanie statycznej równowagi Uθᵢ, diagram analizy strukturalnej, siły równoważące, system mechaniczny. , gdzie θ_i jest wektorem parametrów trenowalnych i i = 1, 2, ..., ql. Po operacji sumowania ważonego model tworzy hybrydową strukturę MLP i QNN, sformułowaną jako Wzór funkcji sieci neuronowej MLP(x_i) + α_i × QNN(x_i); reprezentacja symboliczna. dla i-tego komponentu wymiaru patcha, aby efektywnie zintegrować klasyczne i kwantowe możliwości ekstrakcji cech. Należy zauważyć, że α_i jest tutaj parametrem trenowalnym o wartości początkowej 0, co wskazuje, jak silnie wprowadzone zostaje zachowanie kwantowe. Na koniec GA⁸ probabilistycznie zwiększa skalę dominujących cech i zmniejsza skalę cech nieistotnych. Warstwa mieszania cech (feature mixing layer) i warstwa mieszania kanałów (channel mixing layer) działają w podobny sposób.

Po zastosowaniu wielu warstw mieszania dane są przetwarzane zgodnie z Równanie matematyczne z wykładnikami i zmiennymi X, P, opisujące transformację w analizie danych. .

Prognozowanie

W warstwie prognozowania dane są najpierw przekształcane do postaci $Równanie statycznej równowagi X^P_{b×c×n×h×f}, symbol matematyczny do analizy edukacyjnej.$ . Wartości przyszłe są przewidywane za pomocą klasycznej głowicy predykcyjnej⁸ — zakodowane cechy są spłaszczane i przekazywane do klasycznej warstwy liniowej z mechanizmem dropout w celu wygenerowania prognozy Równanie statycznej równowagi: Ŷb×Fl×c; formuła matematyczna w fizyce. dla wartości przyszłych.

Wyniki eksperymentu

Przeprowadziliśmy szczegółową analizę empiryczną na rzeczywistym zbiorze danych, tj. zbiorze Long-Term Network Traffic Forecasting (LTNTF)²¹, oraz trzech innych popularnych publicznych zbiorach danych. Pierwszy eksperyment oparto na zbiorze danych LTNTF²¹, który dostarcza godzinowe dane o ruchu oraz informacje o dniach świątecznych dla trzech miast A, B i C w rzeczywistej sieci z okresu od 1 stycznia 2017 r. do 20 lutego 2019 r. Zadaniem jest wykorzystanie danych historycznych do zbudowania odpowiedniego modelu w celu przewidywania godzinowych wartości ruchu dla każdego miasta na kolejne 95 dni. Wyjątkowość tego zbioru danych polega na jego autentyczności i długoterminowym charakterze, oferując szczegółowe godzinowe dane o ruchu sieciowym obejmujące wiele miast przez ponad 800 dni. Wyniki eksperymentalne zostały zestawione w Tabeli 1, na Rysunku 2 oraz Rysunku 3. W celu powtórzenia eksperymentu należy zapoznać się z plikiem README.md w folderze Experiment_1_LTNFT w Pliku uzupełniającym 1.

Tabela 1: Porównanie wydajności QTSMixer i TSMixer w zbiorze danych LTNTF. W tym przypadku jako główne mierniki oceny wykorzystano MAPE oraz RMSE, a niższe wartości wskazują na lepszą wydajność. Kliknij tutaj, aby pobrać tę tabelę.

Wykres analizy danych szeregów czasowych przedstawiający próbki z wielu miast, przewidujący wzorce i trendy.
Rysunek 2: Porównanie wyników predykcji TSMixer i QTSMixer. Przedstawiono tutaj trzy losowo wybrane próbki z trzech miast oraz wizualne porównanie wartości rzeczywistych i wartości przewidzianych przez modele TSMixer i QTSMixer. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Wykres analizy szeregów czasowych; porównania trendów temperatury w mieście; zawiera dane historyczne i prognozy.
Rysunek 3: Porównanie wyników predykcji w specjalnym przypadku TSMixer i QTSMixer. Tutaj wybrano próbki, w których QTSMixer wykazał najlepszą wydajność. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Drugi eksperyment opiera się na BasicTS+ (podstawowych szeregach czasowych).²² framework, będący biblioteką referencyjną i zestawem narzędzi do prognozowania szeregów czasowych. Wspiera on różnorodne zadania i zestawy danych, takie jak prognozowanie czasowo-przestrzenne oraz prognozowanie długich serii, i obejmuje modele statystyczne, modele uczenia maszynowego, modele głębokiego uczenia oraz inne algorytmy. BasicTS+ zapewnia uczciwą i kompleksową platformę do replikacji i porównywania popularnych modeli głębokiego uczenia poprzez ujednolicony i zestandaryzowany proces. Benchmark BasicTS składa się z siedmiu starannie dobranych wielowymiarowych zbiorów danych szeregów czasowych (MTS), obejmujących różnorodne dziedziny świata rzeczywistego, co umożliwia rygorystyczną ocenę modeli prognozowania. Kolekcja ta zawiera zestawy danych dotyczących ruchu drogowego (PEMS04/08 do monitorowania natężenia ruchu), rekordy zużycia energii (Electricity/Etth1/Ettm1), wskaźniki ekonomiczne (Exchange-Rate) oraz pomiary środowiskowe (Beijing Air Quality). Wyniki eksperymentalne przedstawiono w Tabela 2Aby powtórzyć eksperyment, należy zapoznać się z plikiem README.md w folderze Experiment_2_Basicts w Plik uzupełniający 1.

Tabela 2: Porównanie wydajności modelu QTSMixer i innych modeli na różnych zbiorach danych w ramach frameworku BasicTS+. Tutaj MAE, WAPE i RMSE są wykorzystywane jako metryki oceny, a niższe wartości wskazują na lepszą wydajność. Modele o podobnej liczbie parametrów zostały pogrupowane. Kliknij tutaj, aby pobrać tę tabelę.

Trzeci eksperyment obejmuje analizę porównawczą między symulatorem kwantowym a rzeczywistym komputerem kwantowym. Eksperyment ten porównuje wydajność Qiskit oraz frameworka DQ poprzez ocenę ich odpowiednich implementacji QTSMixer. Przeanalizowano dokładność i efektywność wykonania obu frameworków w zadaniach prognozowania. W eksperymencie wykorzystano nadprzewodzący komputer kwantowy, ibm_brisbane. Wyniki doświadczalne przedstawiono na Rysunku 4 oraz w Tabeli 3. W celu powtórzenia eksperymentu należy zapoznać się z plikiem README.md w folderze Experiment_3_Qiskit w Pliku uzupełniającym 1.

Analiza szeregów czasowych, wykres rzeczywistych i przewidywanych wartości, pokazujący porównanie dokładności prognoz.
Rysunek 4: Porównanie wyników prognozowania Qiskit (na sprzęcie kwantowym) i DQ (na symulatorze). Porównanie wartości rzeczywistych z prognozami, gdzie prognozy pochodzą z eksperymentów Qiskit i DQ. Kliknij tutaj, aby wyświetlić ten rysunek w większej wersji.

Tabela 3: Porównanie wydajności QTSMixer pomiędzy sprzętem kwantowym a eksperymentami symulacyjnymi. Tutaj w charakterze głównych metryk oceny wykorzystano MAPE oraz RMSE, gdzie niższe wartości wskazują na lepszą wydajność. Kliknij tutaj, aby pobrać tę tabelę.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Przeprowadziliśmy szczegółową analizę empiryczną niektórych zestawów danych. Pierwszy eksperyment jest oparty na zestawie danych LTNTF. Trzy miasta wykazywały różne wzorce dystrybucji danych: Miasto A wykazało znaczny niski punkt w przepływie ruchu na początku roku; Miasto B utrzymało stosunkowo wysokie wartości w tym samym okresie, podczas gdy miasto C wykazywało bardziej zrównoważony rozkład przez cały rok, patrz rysunek uzupełniający S1, rysunek uzupełniający ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

W niniejszej pracy zaproponowaliśmy QTSMixer do długoterminowego NTP, który stanowi nowatorskie hybrydowe podejście kwantowo-klasyczne z poprawą dokładności i adaptacyjności międzydomenowej. Badanie to nie tylko rozszerza potencjał zastosowań obliczeń kwantowych w prognozowaniu szeregów czasowych, ale także wskazuje kierunek dla ich przyszłego wdrożenia na rzeczywistym sprzęcie kwantowym. Niemniej jednak, obecna hybrydowa architektura kwantowo-klasyczna wykazuje ograniczone możliwości w przetwarzaniu zmiennych egzogenicz...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy oświadczają, że nie mają konkurencyjnych interesów finansowych.

Podziękowania

Dziękujemy Yulin Chi, Gang Xi Wang, Xinying Li, Xin Yi i Fei Wang za ich wnikliwe dyskusje.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
Nazwa	Firma	Numer katalogowy	Komentarze
DeepQuantum	TuringQ Co., Sp. z o.o.	https://deepquantum.turingq.com/	Wydajna platforma programistyczna dla kwantowego uczenia maszynowego i optycznych obliczeń kwantowych opracowana przez TuringQ.
Qiskit	IBM	https://www.ibm.com/quantum/qiskit	Zestaw SDK typu open source do pracy z komputerami kwantowymi na poziomie rozszerzonych obwodów kwantowych, operatorów i prymitywów.
ibm_brisbane	IBM	https://quantum.ibm.com/	Nadprzewodzący komputer kwantowy z rodziny IBM Quantum Eagle.
Zestaw danych LTNTF	China Mobile	https://jiutian.10086.cn/open/#/dataset/710012?platform=OpenInnovation	Zestaw danych pochodzi z platformy Jiutian AI firmy China Mobile.
python3.10	Python Software Foundation	https://www.python.org/downloads/release/python-3100/
technologia ponownego przesyłania kwantowego	Pé rez-Salinas, A., Cervera-Lierta, A., Gil-Fuster, E., Latorre, J. I. Ponowne przesyłanie danych do uniwersalnego klasyfikatora kwantowego. Kwant. 4 226 (2019).
Ramy BasicTS+	Shao, Z. i in. Badanie postępów w prognozowaniu wielowymiarowych szeregów czasowych: kompleksowa analiza porównawcza i heterogeniczność. Transakcje IEEE dotyczące wiedzy i inżynierii danych. 37 291-305 (2023).	arXiv:2310.06119v2
GPU A100	NVIDIA		80G GPU
Transformers	Przytulanie twarzy	https://huggingface.co/	Platforma, na której społeczność uczenia maszynowego współpracuje nad modelami, zestawami danych i aplikacjami.

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

Bibliografia

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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Kwantowe sieci neuronowe hybrydowe uk ady kwantowo klasyczne analiza szereg w czasowych wielowarstwowy perceptron model TSMixer prognozowanie d ugoterminowe ekstrakcja cech sygna y okresowe zastosowania mi dzyobszarowe