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.
Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.
Araştırma makalesi
Uzun Vadeli Ağ Trafiği Tahmini için Kuantum-Klasik Hibrit Model
Bu makalede
Özet
Özet
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
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 yönteml....
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Protokol
QTSMixer metodolojisi
Uzunluk 
sl ve kanal sayısı c olan çok değişkenli bir zaman serisi olsun. Çok değişkenli tahmin görevi, bir tahmin modeli 
tarafından bazı geçmişler 
verilen gelecekteki değerlerin
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Sonuçlar
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
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
Yazarlar, rekabet eden herhangi bir mali çıkarları olmadığını beyan ederler.
Teşekkürler
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
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| DeepQuantum | TuringQ Co., Ltd. | https://deepquantum.turingq.com/ | TuringQ tarafından geliştirilen kuantum makine öğrenimi ve optik kuantum hesaplama için verimli bir programlama çerçevesi. |
| Qiskit | IBM | https://www.ibm.com/quantum/qiskit | Genişletilmiş kuantum devreleri, işleçler ve temel öğeler düzeyinde kuantum bilgisayarlarla çalışmak için açık kaynaklı bir SDK. |
| ibm_brisbane | IBM | https://quantum.ibm.com/ | IBM Quantum Eagle ailesindeki süper iletken kuantum bilgisayar. |
| LTNTF veri kümesi | China Mobile | https://jiutian.10086.cn/open/#/dataset/710012?platform=OpenInnovation | Veri seti, China Mobile'ın Jiutian AI platformundan geliyor. |
| python3.10 | Python Software Foundation | https://www.python.org/downloads/release/python-3100/ | |
| kuantum yeniden yükleme teknolojisi | Pé 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+ çerçevesi | Shao, 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 A100 | NVIDIA | 80G GPU | |
| Transformers | Sarılan Yüz | https://huggingface.co/ | Makine öğrenimi topluluğunun modeller, veri kümeleri ve uygulamalar üzerinde işbirliği yaptığı platform. |
Kaynaklar
- 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).....
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Yeniden basım ve izinler
