混合时空量子-经典图卷积神经网络用于城市出租车目的地预测
量子物理
2025-12-17 v1 人工智能
摘要
我们提出了一种混合时空量子图卷积网络（H-STQGCN）算法，结合量子计算和经典深度学习的优势，用于预测城市道路网络中的出租车目的地。该算法包含两个分支：空间处理和时间演化。在空间处理方面，经典模块基于 GCN 方法编码道路网络的局部拓扑特征，量子模块通过可微分池化层将图特征映射到参数化量子电路。时间演化通过整合多源上下文信息并在经典 TCN 理论上捕捉动态行程依赖关系来求解。最终，实验结果表明所提算法在预测准确性和稳定性方面优于现有方法，验证了量子增强机制在捕捉高维空间依赖关系方面的独特优势。
引用
@article{arxiv.2512.13745,
title = {A Spatio-Temporal Hybrid Quantum-Classical Graph Convolutional Neural Network Approach for Urban Taxi Destination Prediction},
author = {Xiuying Zhang and Qinsheng Zhu and Xiaodong Xing},
journal= {arXiv preprint arXiv:2512.13745},
year = {2025}
}