量子和经典顺序模型在城市电信预测中的基准测试.pdfVIP

量子和经典顺序模型在城市电信预测中的基准

测试

Chi-ShengChenSamuelYen-ChiChenYun-ChengTsai

NeuroIndustry,Inc.WellsFargoNationalTaiwanNormalUniversity

Cambridge,Massachusetts,USANewYork,USATaipei,Taiwan

m50816m50816@yen-chi.chen@pecu@.tw

摘要—在这项研究中，我们评估了经典和量子启发的序列模期依赖关系，已经成为时间序列预测的基础[2]。然而，这

型在使用米兰电信活动数据集预测进来的短信活动（SMS-in）些模型在处理非常长的序列时经常遇到梯度消失和计算效

单变量时间序列性能。由于数据完整性的限制，我们仅关注每率低下的问题。最近在量子机器学习（QML）方面的进展

本个空间网格单元中的SMS-in信号。我们比较了五种模型——承诺通过利用量子叠加和纠缠来增强表示能力和潜在的更

译LSTM（基线）、量子LSTM(QLSTM)、量子自适应自我注快处理速度来解决这些问题[3]。

意(QASA)、量子接受权重键值(QRWKV)，和量子快速权重

中编程器(QFWP)，在不同输入序列长度（4,8,12,16,32和在此背景下，量子启发的架构作为混合解决方案出现，

164）下的表现。所有模型均训练为仅基于给定序列窗口内的历史将量子原理融入到经典框架中。例如，量子长短时记忆

v值来预测下一个10分钟的SMS-in值。我们的研究结果表明，

8不同的模型对序列长度表现出不同的敏感性，这表明量子增强并（QLSTM）通过引入量子门来扩展经典LSTM，以改进记

8非普遍有利。相反，量子模块的有效性高度依赖于特定任务和架忆机制[4]。类似地，量子自适应自注意力（QASA）在经

4

4构设计，反映了在模型大小、参数化策略以及时间建模能力之间典Transformer中引入了增强的量子注意力模块，使模型

0.的内在权衡。能够自适应地聚焦于相关的序列元素[5]。量子接受权重键

8IndexTerms—时间序列预测，量子机器学习，循环神经网

0络，米兰电信数据集，序列建模，单变量预测，短信活动，LSTM，值（QRWKV）基于接受权重键值（RWKV）模型，并融入

5量子操作以优化线性时间内的标记交互[6],[7]。最后，量

2QLSTM，QRWKV，QASA，QFWP

:子快速权重编程器（QFWP）利用量子快速权重进行变分

v

iI.介绍量子电路的动态编程，使模型能够迅速适应序列模式[8]。

x

r时间序列预测是城市信息学的关键组成部分，使电信然而，将顺序模型应用于此类数据时会出现若干挑战。

a

系统中的资源分配、网络优化和主动管理变得高效。城市首先，数据集在多种模式中存在不完整或稀疏的条目，限

电信数据，如通话量、短信活动和互联网使用情况，表现出制了多元建模的可能性。其次，城市电信信号的时间动态

复杂的时序模式，受人类移动性、事件和日常例行公事的可能高度非平稳，并且在不同的空间区域中有所变化。第

影响。准确预测这些信号可以支持智能城市规划、交通管三，确定预测的最佳输入序列长度仍然是一个非平凡的任

理和应急响应[1]。米兰电信活动数据集，捕捉了包括意大务，因为不同模型对短期或长期依赖性的敏感性可能会有

利米兰空间网格上的电信活动在内的多源城市生活指标，所不同。

作为此类预测任务的宝贵基准[1]。为了解决这些挑战，本文专注于一个单变量预测任务：

经典顺序模型，特别是像长短