Araştırma makalesi

Uzun Vadeli Ağ Trafiği Tahmini için Kuantum-Klasik Hibrit Model

DOI:

10.3791/68229

⸱

27 Haziran 2025

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

Bu makalede

Özet

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

Hibrit bir kuantum-klasik model olan QTSMixer, TSMixer'in periyodik sinyaller ve uzun vadeli tahminlerdeki sınırlamalarını ele alarak ağ trafiği tahminini geliştirir. Gerçek dünya verilerine ilişkin uzun vadeli tahminlerde TSMixer'dan %6,72 daha iyi performans gösteren, eğitilebilir parametreler tarafından kontrol edilen kuantum sinir ağı bileşenlerini sunar.

Özet

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

Zaman serisi analizinin kritik bir uygulaması olan ağ trafiği tahmini, ağ yönetimi ve optimizasyonu için gereklidir. Ağ trafiği tahmini için geleneksel istatistiksel modeller ve makine öğrenimi yöntemleri kullanılmıştır ve çok katmanlı algı karıştırıcı mimarilerindeki son gelişmeler, özellikle TSMixer, son teknoloji performansa ulaşmıştır. Ancak TSMixer, periyodik sinyaller ve uzun vadeli tahminlerle ilgili zorluklarla karşı karşıyadır. Bu sınırlamaları ele almak için, periyodik sinyaller ve uzun vadeli bağımlılıklarla ilgili gelişmiş özellik çıkarımı için kuantum sinir ağlarından yararlanan hibrit bir kuantum-klasik yaklaşım olan bir Quantum TSMixer (QTSMixer) modeli öneriyoruz. Kuantum bileşenlerinin gücünü kontrol etmek için eğitilebilir parametreler eklenerek, çok katmanlı algı ve kuantum sinir ağının hibrit yapısı oluşturulur. QTSMixer'in etki alanları arası uygulama potansiyeli ve pratik uygulama yeteneği, QTSMixer'in uzun vadeli ağ trafiği tahmin veri setinde TSMixer'den %6.72 daha iyi performans gösterdiği gerçek dünya veri kümeleri üzerinde ampirik analiz yoluyla gösterilmiştir. Gelecekte, QTSMixer'in gelişimi, finansal piyasa analizi ve hava tahmini gibi diğer alanlarda daha fazla araştırılabilir.

Giriş

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

Zaman serisi analizinin4,5 temel bir uygulaması olan Ağ Trafiği Tahmini (NTP)1,2,3, kalıpları ve eğilimleri belirlemek için geçmiş ağ trafiği verilerinin analiz edilmesini ve böylece gelecekteki trafik değişikliklerinin tahmin edilmesini içerir. Ağ operatörlerine kaynak tahsisi, arıza teşhisi, güvenlik izleme ve hizmet kalitesi güvencesi konularında yardımcı olabileceğinden ağ yönetimi ve optimizasyonu için çok önemlidir. NTP problemi, istatistiksel modeller ve makine öğrenimi yöntemleri ile iyi çalışılmıştır3. Son zamanlarda, Çok Katmanlı Algı Karıştırıcısı (MLP-Mixer)6,7 tabanlı mimariler, çok değişkenli zaman serisi bağımlılıklarını yakalama konusundaki güçlü yetenekleri nedeniyle NTP için popüler hale geliyor. Bunlar arasında TSMixer8, olağanüstü hızı ve hafif tasarımıyla öne çıkıyor ve kıyaslama veri kümelerinde9 Son Teknoloji (SOTA) performansa ulaştı. TSMixer, zaman ve özellik boyutlarının hibrit çalışması yoluyla zaman bağımlılığını ve özellikler arasındaki korelasyonu daha iyi yakalayabilir. Bununla birlikte, TSMixer aşağıdaki iki dezavantaja sahiptir. İlk olarak, periyodik sinyallerle uğraşmak için uygun değildir. Periyodik sinyaller kararlıdır, parazite karşı dirençlidir ve analiz edilmesi kolaydır, bu da onları iletişim, güç sistemleri ve kontrol sistemlerinde oldukça değerli kılar. TSMixer, matematiksel prototipi aperiyodik bir fonksiyon olan MLP'ye dayandığından, TSMixer aperiyodik sinyalleri işlemek için uygundur ancak periyodik sinyalleri işlerken iyi uymaz. İkincisi, mevcut bilgisayar belleği sınırlamaları ve tahmindeki hataların birikmesi tarafından engellendiği için uzun vadeli tahminler yaparken iyi performans göstermez. Şu anda, modellerin çoğu uzun vadeli zaman serisi tahminiyle başa çıkmada düşük performansa sahiptir. Bu, zaman serisi tahmini alanında çözülmesi gereken acil bir konudur. TSMixer iyi sonuçlar elde etmiş olsa da, iyileştirme için hala yer var. Bu nedenle, bu dezavantajlardan kaçınmak için yeni stratejiler aramak büyük önem taşımaktadır.

Kuantum bilişim10, büyük miktarda veriyi hem verimli hem de güvenli bir şekilde işleyebilen kuantum mekaniği yasalarına dayalı yeni bir bilgi işlem paradigmasıdır. Kuantum Sinir Ağları (QNN'ler)11,12,13, görüntü işleme, konuşma tanıma ve hastalık tahmininde geniş bir uygulama yelpazesine sahip olan kuantum hesaplama ve klasik sinir ağlarını birleştiren bir tür hesaplama modelidir. Bilgileri işlemek ve makine öğrenimi görevlerini gerçekleştirmek için kuantum bilişimin süperpozisyon ve dolaşıklık gibi özelliklerinden yararlanarak daha iyi simülasyonlara, daha hızlı hesaplamaya veya ağ performansı açısından kuantum avantajına yol açarlar. Son zamanlarda, QNN alanında 14,15,16,17,18,19 tahmin eden zaman serileri için bazı yaklaşımlar araştırılmıştır. Kuantum zaman serisi modelleri, özellikle karmaşık çok boyutlu verilerle uğraşırken tahmin doğruluğu ve hesaplama verimliliği açısından geleneksel modelleri aşabilir. Bir yandan QNN, periyodik bir fonksiyon olan ve periyodik sinyalleri işlemek için uygun olan bir Fourier serisi olarak ifade edilebilir; Öte yandan, QNN'nin zaman serilerindeki bazı uygulamaları başarılı olmuştur. Bu nedenle, QNN'nin NTP'deki rolünü, özellikle de uzun vadeli NTP'yi araştırmak büyük ilgi görmektedir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

QTSMixer metodolojisi

Uzunluk figure-protocol-1 sl ve kanal sayısı c olan çok değişkenli bir zaman serisi olsun. Çok değişkenli tahmin görevi, bir tahmin modeli figure-protocol-2tarafından bazı geçmişler figure-protocol-3 verilen gelecekteki değerlerin figure-protocol-4 tahmin edilmesi olarak tanımlanır ve şu şekilde formüle edilebilir:

figure-protocol-5

Tahmin dizisi uzunluğu nerede figure-protocol-6 ve figure-protocol-7 tahmin değerini gösterir. QTSMixer'da, XL×C'nin, L uzunluğundaki orijinal çok değişkenli zaman serisini ve c kanallarının sayısını göstermesine izin verin. Çok değişkenli zaman serisini minigrup figure-protocol-8 ile giriyoruz, burada sl ≤ L ve b parti boyutudur. Şekil 1'de gösterildiği gibi, QTSMixer modeli dört bileşenden oluşur: normalleştirme, yama gömme, katmanları karıştırma ve tahmin. Eğitim aşamasında, en iyi uyumu elde etmek için modelin kaybı, Ortalama Kare Hata (MSE) kaybı fonksiyonu figure-protocol-9 ile hesaplanır. QTSMixer şu şekilde karakterize edilebilir:

figure-protocol-10

Burada θ eğitilebilir parametre vektörüdür ve stokastik gradyan inişi ile güncellenir.

figure-protocol-11
Şekil 1: QTSMixer'ın üst düzey mimarisi. Burada QTSMixer'ı dört bileşene ayırıyoruz: normalleştirme, yama gömme, katmanları karıştırma ve tahmin. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Ardından, QTSMixer'in model bileşenlerini detaylandıracağız.

Normal -leştirme

QTSMixer'in ileri yayılma süreci, giriş zaman serisi verilerinin figure-protocol-12 alınmasıyla başlar. İlk olarak, özellikler arasındaki boyutsal farklılıkları ortadan kaldırmak ve eğitim sırasında veri performansının kararlılığını sağlamak için giriş verileri PatchTSMixer StandardScaler8 veya diğer ölçekleyiciler tarafından normalleştirilir ve standartlaştırılır.

Yama yerleştirme

İlk olarak, standartlaştırılmış zaman serisi verileri, yama modülü aracılığıyla birden çok sabit uzunluklu segmente (yama) bölünür. Bu model tasarımı, Ekambaram ve ark.8'den esinlenmiştir ve yamaların bölünmesi yoluyla yerel özellikleri yakalama yeteneği geliştirilmiştir. Yama bölme sayesinde QTSMixer, karmaşık zaman serisi veri modelleriyle etkili bir şekilde başa çıkabilir, model giriş belirteçlerinin sayısını azaltabilir ve daha kısa bir eğitim süresinde daha iyi sonuçlar elde edebilir. Minigrup figure-protocol-13 , , olarak figure-protocol-14yeniden şekillendirilir, burada n yama sayısıdır ve pl , yama uzunluğunu belirtir. Yama adımını gösterelim, o zaman figure-protocol-15 .

Modelin ifade gücünü artırmak için, her yama doğrusal bir katman aracılığıyla daha yüksek boyutlu bir alana eşlenir. Daha sonra veriler, hf'nin gizli özelliklerin sayısı olduğu doğrusal dönüşüm figure-protocol-16ile yeniden şekillendirilirfigure-protocol-17. Ağırlık matrisinin boyutu pl × hf'dir.

Karışım katmanları

Bu bölümde, yama, özellik ve kanal boyutları birden fazla karıştırma katmanı aracılığıyla karıştırılır. Her bir mikser katmanında odak altındaki boyuta bağlı olarak, odaklanılan boyut boyunca korelasyonu öğrenmek için girdi önce buna göre permütasyona tabi tutulur. Daha sonra bilgiler, daha kapsamlı özellik bilgilerini çıkarmak için katman normalleştirme, MLP, QNN ve Geçitli Dikkat (GA) mekanizması ile ayıklanır.

Yama karıştırma katmanında, girdi önce yama boyutuna (yani son boyuta) odaklandığımız şekilde figure-protocol-18 yeniden şekillendirilir; Ardından, katman normalizasyonu gerçekleştirilir. Bundan sonra, bu modül, farklı yamalar arasındaki korelasyonu öğrenmek için paylaşılan bir MLP (ağırlık boyutu n × n) kullanır. Bu arada, QNN, kuantum katmanının ifade yeteneğini geliştirmek için kuantum yeniden yükleme teknolojisi20 ile gerçekleştirilir. QNN'deki kuantum devresi toplam ql katmanına sahiptir ve iinci katman bir kodlama devresi Ux ve bir ansatz figure-protocol-19içerir, burada θi eğitilebilir parametre vektörüdür ve i = 1, 2, ..., ql. Ağırlıklı bir toplama işleminin ardından model, klasik ve kuantum özellik çıkarma yeteneklerini etkin bir şekilde entegre etmek için yama boyutunun i. bileşeni için figure-protocol-20 formüle edilmiş MLP ve QNN'nin hibrit bir yapısını üretir. Burada αi'nin, kuantum davranışının ne kadar güçlü bir şekilde tanıtıldığını gösteren başlangıç değeri 0 olan eğitilebilir bir parametre olduğunu unutmayın. Son olarak, GA8 olasılıksal olarak baskın özellikleri yükseltir ve önemsiz özellikleri küçültür. Özellik karıştırma katmanı ve kanal karıştırma katmanı benzer şekilde çalışır.

Birden fazla karıştırma katmanından sonra, veriler .figure-protocol-21

Tahmin

Tahmin katmanında, veriler önce olarak figure-protocol-22yeniden şekillendirilir. Gelecekteki değerler, klasik bir tahmin başlığı8 aracılığıyla tahmin edilir—kodlanmış özellikler düzleştirilir ve gelecekteki değerlerin bir tahminini figure-protocol-23 oluşturmak için bırakma ile klasik bir doğrusal katmana beslenir.

Deneysel sonuçlar

Gerçek dünya veri kümesi, yani Uzun Vadeli Ağ Trafiği Tahmini (LTNTF) veri seti21 ve diğer üç popüler genel veri seti üzerinde ayrıntılı bir ampirik analiz gerçekleştirdik. İlk deney, 1 Ocak2017'den 20 Şubat 2019'a kadar gerçek dünya ağındaki A, B ve C şehirleri için saatlik trafik verileri ve tatil bilgileri sağlayan LTNTF veri kümesi 21'e dayanmaktadır. Görev, önümüzdeki 95 gün boyunca her şehir için saatlik trafik değerlerini tahmin etmek üzere uygun bir model oluşturmak için geçmiş verileri kullanmaktır. Veri kümesinin benzersizliği, 800 günden fazla bir süre boyunca birden fazla şehri kapsayan ayrıntılı saatlik ağ trafiği verileri sunan özgünlüğü ve uzun vadeli doğasında yatmaktadır. Deneysel sonuçlar Tablo 1, Şekil 2 ve Şekil 3'te özetlenmiştir. Deneyi yeniden oluşturmak için, Ek Dosya 1'deki Experiment_1_LTNFT README.md bölümüne bakın.

Tablo 1: LTNTF veri setinde QTSMixer ve TSMixer arasındaki performans karşılaştırması. Burada MAPE ve RMSE ana değerlendirme ölçütleri olarak kullanılır ve daha düşük değerler daha iyi performansı gösterir. Bu Tabloyu indirmek için lütfen buraya tıklayın.

figure-protocol-24
Şekil 2: TSMixer ve QTSMixer'in tahmin sonuçlarının karşılaştırılması. Burada üç şehirden rastgele üç örnek seçiyoruz ve TSMixer ve QTSMixer'in gerçek değerleri ile tahmin edilen değerleri arasında görsel bir karşılaştırma yapıyoruz. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-protocol-25
Şekil 3: TSMixer ve QTSMixer'in özel bir durumunun tahmin sonuçlarının karşılaştırılması. Burada QTSMixer'ın en iyi performansına sahip örnekler seçilmiştir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

İkinci deney, zaman serisi tahmini için bir kıyaslama kitaplığı ve araç kutusu olan BasicTS+(Temel Zaman Serisi)22 çerçevesine dayanmaktadır. Uzay-zamansal tahmin ve uzun seri tahmini gibi çeşitli görevleri ve veri kümelerini destekler ve istatistiksel modelleri, makine öğrenimi modellerini, derin öğrenme modellerini ve diğer algoritmaları kapsar. BasicTS+, birleşik ve standartlaştırılmış bir süreç aracılığıyla popüler derin öğrenme modellerinin çoğaltılması ve karşılaştırılması için adil ve kapsamlı bir platform sağlar. BasicTS karşılaştırması, tahmin modellerinin titiz bir şekilde değerlendirilmesini sağlamak için çeşitli gerçek dünya alanlarını kapsayan, özenle seçilmiş yedi çok değişkenli zaman serisi (MTS) veri kümesinden oluşur. Koleksiyon, trafik veri kümelerini (akış izleme için PEMS04/08), enerji tüketimi kayıtlarını (Elektrik/Etth1/Ettm1), ekonomik göstergeleri (Döviz Kuru) ve çevresel ölçümleri (Pekin Hava Kalitesi) içerir. Deneysel sonuçlar Tablo 2'de gösterilmiştir. Deneyi yeniden oluşturmak için, Ek Dosya 1'deki Experiment_2_Basicts README.md'e bakın.

Tablo 2: BasicTS+ çerçevesinin çeşitli veri kümelerinde QTSMixer ve diğer modeller arasındaki performans karşılaştırmaları. Burada MAE, WAPE ve RMSE değerlendirme ölçütleri olarak kullanılır ve daha düşük değerler daha iyi performansı gösterir. Benzer parametre sayılarına sahip modeller gruplandırılır. Bu Tabloyu indirmek için lütfen buraya tıklayın.

Üçüncü deney, kuantum simülatörü ile gerçek bir kuantum bilgisayarı arasında karşılaştırmalı bir analiz içerir. Bu deney, Qiskit ve DQ çerçevesinin performansını, ilgili QTSMixer uygulamalarını değerlendirerek karşılaştırır. Her iki çerçevenin tahmin görevlerindeki doğruluğu ve yürütme etkinliği değerlendirildi. Bu deneyde ibm_brisbane süper iletken kuantum bilgisayar kullanılmıştır. Deneysel sonuçlar Şekil 4 ve Tablo 3'te gösterilmiştir. Deneyi yeniden oluşturmak için, Ek Dosya 1'deki Experiment_3_Qiskit README.md'e bakın.

figure-protocol-26
Şekil 4: Qiskit (kuantum donanımında) ve DQ (simülatörde) tahmin sonuçlarının karşılaştırılması. Qiskit ve DQ deneylerinden türetilen tahminlerle gerçek değerler ve tahminler arasında karşılaştırma. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Tablo 3: QTSMixer'ın kuantum donanımı ve simülasyon deneyleri arasındaki performans karşılaştırması. Burada, MAPE ve RMSE ana değerlendirme ölçütleri olarak kullanılır ve daha düşük değerler daha iyi performansı gösterir. Bu Tabloyu indirmek için lütfen buraya tıklayın.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

Bazı veri setleri üzerinde ayrıntılı bir ampirik analiz yaptık. İlk deney, LTNTF veri setini temel alır. Üç şehir farklı veri dağıtım modelleri sergiledi: A Şehri, yılın başında trafik akışında önemli bir düşük nokta gösterdi; B Şehri aynı dönemde nispeten yüksek değerleri korurken, C Şehri yıl boyunca daha dengeli bir dağılım sergiledi, ayrıntılar için Ek Şekil S1, Ek Şekil S2 ve Ek Şekil S3'e<...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Bu yazıda, doğruluk ve alanlar arası uyarlanabilirlikte iyileştirmeler içeren yeni bir kuantum-klasik hibrit yaklaşım olan uzun vadeli NTP için QTSMixer'ı önerdik. Bu çalışma, yalnızca zaman serisi tahmininde kuantum hesaplamanın uygulama potansiyelini genişletmekle kalmıyor, aynı zamanda gerçek kuantum donanımı üzerinde gelecekteki dağıtımının yönüne de işaret ediyor. Bununla birlikte, mevcut kuantum-klasik hibrit mimari, dışsal değişkenleri işlemede sınırlı yetenek sergilemektedir. Gelecekteki iyileştirmeler, kuantum v...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Yazarlar, rekabet eden herhangi bir mali çıkarları olmadığını beyan ederler.

Teşekkürler

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

Yulin Chi, Gang Xi Wang, Xinying Li, Xin Yi ve Fei Wang'a anlayışlı tartışmaları için teşekkür ederiz.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
DeepQuantumTuringQ Co., Ltd.https://deepquantum.turingq.com/TuringQ tarafından geliştirilen kuantum makine öğrenimi ve optik kuantum hesaplama için verimli bir programlama çerçevesi.
QiskitIBMhttps://www.ibm.com/quantum/qiskitGenişletilmiş kuantum devreleri, işleçler ve temel öğeler düzeyinde kuantum bilgisayarlarla çalışmak için açık kaynaklı bir SDK.
ibm_brisbaneIBMhttps://quantum.ibm.com/IBM Quantum Eagle ailesindeki süper iletken kuantum bilgisayar.
LTNTF veri kümesiChina Mobilehttps://jiutian.10086.cn/open/#/dataset/710012?platform=OpenInnovationVeri seti, China Mobile'ın Jiutian AI platformundan geliyor.
python3.10Python Software Foundationhttps://www.python.org/downloads/release/python-3100/
kuantum yeniden yükleme teknolojisiPé rez-Salinas, A., Cervera-Lierta, A., Gil-Fuster, E., Latorre, J. I. Evrensel bir kuantum sınıflandırıcı için verilerin yeniden yüklenmesi. Kuvantum. 4 226 (2019).
BasicTS+ çerçevesiShao, Z. et al. Çok değişkenli zaman serisi tahmininde ilerlemeyi keşfetme: Kapsamlı kıyaslama ve heterojenlik analizi. Bilgi ve Veri Mühendisliği Üzerine IEEE İşlemleri. 37 291-305 (2023).arXiv:2310.06119v2
GPU A100NVIDIA80G GPU
TransformersSarılan Yüzhttps://huggingface.co/Makine öğrenimi topluluğunun modeller, veri kümeleri ve uygulamalar üzerinde işbirliği yaptığı platform.
https://doi.org/10.22331/q-2020-02-06-226

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

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

İlgili makaleler