Artykuł badawczy

Kwantowo-klasyczny model hybrydowy do długoterminowego przewidywania ruchu sieciowego

DOI:

10.3791/68229

⸱

27 czerwca 2025

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

W tym artykule

Podsumowanie

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

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

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

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

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

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

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

metodologia QTSMixer

Niech figure-protocol-1 być wielowymiarowym szeregiem czasowym o długości sl i liczbie kanałów c. Zadanie prognozowania wielowymiarowego jest zdefiniowane jako przewidywanie przyszłych wartości figure-protocol-2 biorąc pod uwagę pewną historię figure-protocol-3 przez model prognozowania figure-protocol-4, które można sformułować jako

figure-protocol-5

Gdzie figure-protocol-6 to prognozowana długość sekwencji, a figure-protocol-7 oznacza wartość prognozy. W QTSMixer niech XL×C oznacza oryginalny wielowymiarowy szereg czasowy o długości L i liczbie kanałów c. Wprowadzamy wielowymiarowe szeregi czasowe za pomocą minibatch figure-protocol-8 , gdzie sl ≤ L i b to rozmiar partii. Jak pokazano na rysunku Rysunek 1, model QTSMixer składa się z czterech komponentów: normalizacji, osadzania poprawek, mieszania warstw i prognozowania. W fazie uczenia strata modelu jest obliczana za pomocą funkcji strat błędu średniokwadratowego (MSE) figure-protocol-9 w celu uzyskania najlepszego dopasowania. QTSMixer można scharakteryzować jako

figure-protocol-10

Gdzie θ jest wektorem parametru, który można trenować, i jest aktualizowany przez stochastyczne opadanie gradientu.

figure-protocol-11
Rysunek 1: Wysokopoziomowa architektura QTSMixer. Tutaj dzielimy QTSMixer na cztery komponenty: normalizację, osadzanie poprawek, mieszanie warstw i prognozowanie. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Następnie szczegółowo opiszemy komponenty modelu QTSMixer.

Normalizacja

Proces propagacji QTSMixer rozpoczyna się od otrzymania wejściowych danych szeregów czasowych figure-protocol-12 . Po pierwsze, dane wejściowe są normalizowane i standaryzowane przez PatchTSMixer StandardScaler8 lub inne skalery w celu wyeliminowania różnic wymiarowych między funkcjami i zapewnienia stabilności wydajności danych podczas trenowania.

Osadzanie łatki

Po pierwsze, ustandaryzowane dane szeregów czasowych są dzielone na wiele segmentów (łatek) o stałej długości za pomocą modułu łatania. Ten projekt modelu jest inspirowany Ekambaram et al.8, a możliwość przechwytywania lokalnych cech została ulepszona dzięki podziałowi łatek. Dzięki podziałowi poprawek, QTSMixer może skutecznie radzić sobie ze złożonymi wzorcami danych szeregów czasowych, zmniejszać liczbę tokenów wejściowych modelu i osiągać lepsze wyniki w krótszym czasie trenowania. Minibatch figure-protocol-13 jest przekształcany w figure-protocol-14, gdzie n to liczba łatek, a pl oznacza długość łatki. Niech s oznacza krok łatania, a następnie figure-protocol-15 .

Aby zwiększyć siłę wyrazu modelu, każda łatka jest mapowana na przestrzeń o wyższym wymiarze za pomocą warstwy liniowej. Następnie dane są przekształcane w figure-protocol-16 przez transformację liniową figure-protocol-17, gdzie hf to liczba ukrytych cech. Macierz wagowa ma wymiar pl × hf .

Mieszanie warstw

W tej części, wymiary łatki, funkcji i kanału są mieszane przez wiele warstw mieszania. W oparciu o wymiar, na którym znajduje się fokus w każdej warstwie miksera, dane wejściowe są najpierw odpowiednio permutowane, aby nauczyć się korelacji wzdłuż skoncentrowanego wymiaru. Następnie informacje są wyodrębniane przez normalizację warstw, MLP, QNN i mechanizm bramkowanej uwagi (GA) w celu wyodrębnienia bardziej kompleksowych informacji o funkcji.

W warstwie mieszania łat, dane wejściowe są najpierw przekształcane na figure-protocol-18 , w którym skupiamy się na wymiarze łatki (tj. ostatnim wymiarze); następnie przeprowadzana jest normalizacja warstwy. Następnie moduł ten wykorzystuje współdzielony MLP (wymiar wagi n × n), aby poznać korelację między różnymi łatami. Tymczasem QNN jest realizowany przez technologię ponownego przesyłania kwantowego20 w celu zwiększenia zdolności ekspresji warstwy kwantowej. Obwód kwantowy w QNN ma w sumie warstwy ql, a ita warstwa zawiera obwód kodujący Ux i ansatz figure-protocol-19, gdzie θi jest wektorem parametru, który można trenować, a i = 1, 2, ..., ql. Po operacji dodawania ważonego model tworzy hybrydową strukturę MLP i QNN, sformułowaną jako figure-protocol-20 dla i-tegoskładnika wymiaru łatki, aby skutecznie zintegrować klasyczne i kwantowe możliwości ekstrakcji cech. Należy zauważyć, że w tym miejscuα i jest parametrem, który można trenować, z wartością początkową 0, która wskazuje, jak silnie wprowadzono zachowanie kwantowe. Na koniec, klasa GA8 probabilistycznie skaluje w górę dominujące cechy i w dół nieistotne cechy. Warstwa mieszania funkcji i warstwa mieszania kanałów działają w podobny sposób.

Po wielu warstwach mieszania, dane są przetwarzane jako figure-protocol-21.

Prognozowanie

W warstwie prognozowania dane są najpierw przekształcane na figure-protocol-22. Przyszłe wartości są przewidywane za pomocą klasycznej predykcji head8—zakodowane cechy są spłaszczane i wprowadzane do klasycznej warstwy liniowej z dropoutem w celu wygenerowania predykcji figure-protocol-23 przyszłych wartości.

Wyniki eksperymentu

Przeprowadziliśmy szczegółową analizę empiryczną na rzeczywistym zbiorze danych, tj. zbiorze danych Long-Term Network Traffic Forecasting (LTNTF) 21 i trzech innych popularnych publicznych zbiorach danych. Pierwszy eksperyment jest oparty na zestawie danych LTNTF21, który zawiera godzinowe dane o ruchu drogowym i informacje o dniach wolnych od pracy dla trzech miast A, B i C w sieci świata rzeczywistego od 1 stycznia 2017 r. do 20 lutego 2019 r. Zadanie polega na wykorzystaniu danych historycznych do zbudowania odpowiedniego modelu do przewidywania godzinowych wartości ruchu dla każdego miasta na najbliższe 95 dni. Wyjątkowość zestawu danych polega na jego autentyczności i długoterminowym charakterze, oferując szczegółowe godzinowe dane o ruchu sieciowym obejmujące wiele miast przez ponad 800 dni. Wyniki eksperymentu podsumowano w Tabeli 1, Rysunek 2 i Rysunek 3. Aby odtworzyć eksperyment, zapoznaj się z README.md w Experiment_1_LTNFT w pliku uzupełniającym 1.

Tabela 1: Porównanie wydajności między QTSMixer i TSMixer w zestawie danych LTNTF. W tym przypadku MAPE i RMSE są używane jako główne wskaźniki oceny, a niższe wartości wskazują na lepszą wydajność. Kliknij tutaj, aby pobrać tę tabelę.

figure-protocol-24
Rysunek 2: Porównanie wyników predykcji TSMixer i QTSMixer. Tutaj losowo wybieramy trzy próbki z trzech miast i podajemy wizualne porównanie między wartościami rzeczywistymi a przewidywanymi wartościami TSMixer i QTSMixer. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-protocol-25
Rysunek 3: Porównanie wyników predykcji dla specjalnego przypadku TSMixer i QTSMixer. Tutaj wybierane są próbki o najlepszych parametrach QTSMixer. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Drugi eksperyment opiera się na frameworku BasicTS+(Basic Time Series)22, który jest biblioteką porównawczą i zestawem narzędzi do prognozowania szeregów czasowych. Obsługuje różne zadania i zestawy danych, takie jak prognozowanie czasowo-przestrzenne i prognozowanie długich szeregów, a także obejmuje modele statystyczne, modele uczenia maszynowego, modele uczenia głębokiego i inne algorytmy. BasicTS+ zapewnia uczciwą i kompleksową platformę do replikacji i porównywania popularnych modeli głębokiego uczenia się za pomocą ujednoliconego i ustandaryzowanego procesu. Test porównawczy BasicTS składa się z siedmiu starannie wyselekcjonowanych zestawów danych wielowymiarowych szeregów czasowych (MTS) obejmujących różne domeny świata rzeczywistego, aby umożliwić rygorystyczną ocenę modeli prognostycznych. Zbiór zawiera zestawy danych o ruchu drogowym (PEMS04/08 do monitorowania przepływu), zapisy zużycia energii (Electricity/Etth1/Ettm1), wskaźniki ekonomiczne (Exchange-Rate) oraz pomiary środowiskowe (Beijing Air Quality). Wyniki doświadczenia przedstawiono w tabeli 2. Aby odtworzyć eksperyment, zapoznaj się z README.md w Experiment_2_Basicts w pliku uzupełniającym 1.

Tabela 2: Porównanie wydajności między QTSMixer a innymi modelami na różnych zestawach danych frameworka BasicTS+. W tym przypadku MAE, WAPE i RMSE są używane jako metryki oceny, a niższe wartości wskazują na lepszą wydajność. Modele o podobnej liczbie parametrów są pogrupowane. Kliknij tutaj, aby pobrać tę tabelę.

Trzeci eksperyment obejmuje analizę porównawczą między symulatorem kwantowym a prawdziwym komputerem kwantowym. W tym eksperymencie porównano wydajność Qiskit i frameworka DQ, oceniając ich odpowiednie implementacje QTSMixer. Oceniono dokładność i efektywność realizacji obu ram w zadaniach prognostycznych. W tym eksperymencie wykorzystano nadprzewodzący komputer kwantowy ibm_brisbane. Wyniki eksperymentu są pokazane w Rysunek 4 i Tabela 3. Aby odtworzyć eksperyment, zapoznaj się z README.md w Experiment_3_Qiskit w pliku uzupełniającym 1.

figure-protocol-26
Rysunek 4: Porównanie wyników predykcji Qiskit (na sprzęcie kwantowym) i DQ (na symulatorze). Porównanie rzeczywistych wartości i przewidywań z przewidywaniami pochodzącymi z eksperymentów Qiskit i DQ. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Tabela 3: Porównanie wydajności QTSMixer między sprzętem kwantowym a eksperymentami symulacyjnymi. W tym przypadku MAPE i RMSE są używane jako główne wskaźniki oceny, a 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

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

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

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

W tym artykule zaproponowaliśmy QTSMixer dla długoterminowego NTP, który jest nowatorskim kwantowo-klasycznym podejściem hybrydowym z poprawą dokładności i zdolności adaptacji między domenami. Badanie to nie tylko rozszerza potencjał aplikacyjny obliczeń kwantowych w przewidywaniu szeregów czasowych, ale także wskazuje kierunek ich przyszłego wdrożenia na rzeczywistym sprzęcie kwantowym. Jednak obecna kwantowo-klasyczna architektura hybrydowa wykazuje ograniczone możliwości w przetwarzaniu zmiennych egzogenicznych. Przys...

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

Oświadczenia

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

Autorzy oświadczają, że nie mają konkurencyjnych interesów finansowych.

Podziękowania

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

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
NazwaFirmaNumer katalogowyKomentarze
DeepQuantumTuringQ Co., Sp. z o.o.https://deepquantum.turingq.com/Wydajna platforma programistyczna dla kwantowego uczenia maszynowego i optycznych obliczeń kwantowych opracowana przez TuringQ.
QiskitIBMhttps://www.ibm.com/quantum/qiskitZestaw SDK typu open source do pracy z komputerami kwantowymi na poziomie rozszerzonych obwodów kwantowych, operatorów i prymitywów.
ibm_brisbaneIBMhttps://quantum.ibm.com/Nadprzewodzący komputer kwantowy z rodziny IBM Quantum Eagle.
Zestaw danych LTNTFChina Mobilehttps://jiutian.10086.cn/open/#/dataset/710012?platform=OpenInnovationZestaw danych pochodzi z platformy Jiutian AI firmy China Mobile.
python3.10Python Software Foundationhttps://www.python.org/downloads/release/python-3100/
technologia ponownego przesyłania kwantowegoPé 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 A100NVIDIA80G GPU
TransformersPrzytulanie twarzyhttps://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

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

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

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Quantum Neural NetworksHybrid Quantum ClassicalTime Series AnalysisMulti Layer PerceptronTSMixer ModelLong Term PredictionFeature ExtractionPeriodic SignalsCross Domain Application
Film wkrótce dostępny

Powiązane artykuły