量子机器学习中的数据重上传 technique 用于时间序列：交通预测的应用
量子物理
2025-01-23 v1 人工智能
机器学习
神经与进化计算
摘要
准确的交通预测在现代智能交通系统 (ITS) 中占据重要地位，因为它能够实现实时交通流量管理，减少拥堵，并提高城市交通网络的整体效率。随着量子机器学习 (QML) 的兴起，一种新的范式不断出现，具有超越经典机器学习模型所能实现的预测能力的潜力。本文我们追求一种启发式方法，探索 QML 的潜力，关注具体的交通问题。特别是作为案例研究，我们调查了雅典（希腊）一个大城市地区的交通预测任务，该地区我们拥有高分辨率数据。在此过程中，我们探索了量子神经网络 (QNN) 的应用，并且我们首次将量子数据重上传应用于交通预测领域。这种技术允许量子模型更好地捕捉复杂模式，如交通动态，通过重复将经典数据编码到量子态中。除了提供预测模型之外，我们花费了大量精力来比较我们的混合量子-经典神经网络与经典深度学习方法的性能。我们的结果表明，混合模型在增加量子比特数和重上传块数时，能够与最先进的经典方法实现竞争性的精度。虽然经典模型显示出较低的计算需求，但我们提供了证据表明，增加量子模型的复杂度会提高预测精度。这一发现表明，QML 技术，特别是数据重上传方法，对于推进交通预测模型以及在 ITS 环境中解决固有挑战具有潜力。
引用
@article{arxiv.2501.12776,
title = {Data re-uploading in Quantum Machine Learning for time series: application to traffic forecasting},
author = {Nikolaos Schetakis and Paolo Bonfini and Negin Alisoltani and Konstantinos Blazakis and Symeon I. Tsintzos and Alexis Askitopoulos and Davit Aghamalyan and Panagiotis Fafoutellis and Eleni I. Vlahogianni},
journal= {arXiv preprint arXiv:2501.12776},
year = {2025}
}