QARIMA：基于量子方法的经典时间序列分析
量子物理
2026-04-13 v2 人工智能
机器学习
摘要
我们提出一种量子启发的ARIMA方法，将量子辅助滞后发现与固定配置的变分量子电路（VQC）集成，用于参数估计和弱滞后细化。通过交换测试驱动的量子自相关（QACF）和量子偏相关（QPACF）识别差分和候选滞后，随后构建延迟矩阵，将量子投影对齐到时间域解释器，然后采用标准信息准则进行简约性决策。给定筛选后的阶数(p,d,q)，我们保留固定的VQC拓扑结构、优化器和训练预算，防止超参数泄漏，并在两个估计角色中部署该电路：VQC-AR用于自回归系数，VQC-MA用于移动平均系数。在筛选与估计之间，一个轻量级VQC弱滞后细化对筛选后的AR滞后进行重新加权或修剪，而不改变(p,d,q)。在环境和工业数据集上，我们进行滚动来源评估，针对自动化经典ARIMA模型，报告外样均方误差（MSE）、平均绝对百分比误差（MAPE）以及在MSE和MAE上的迪贝尔-马里诺检验。经验上，七个量子贡献（1）差分选择，（2）QACF，（3）QPACF，（4）带有延迟矩阵构造的交换测试原语，（5）VQC-AR，（6）VQC弱滞后细化，（7）VQC-MA）共同降低了元优化开销，并明确量子效应在阶数发现、滞后细化和AR/MA参数估计中的具体位置。
引用
@article{arxiv.2604.08277,
title = {QARIMA: A Quantum Approach To Classical Time Series Analysis},
author = {Nishikanta Mohanty and Bikash K. Behera and Badshah Mukherjee and Pravat Dash},
journal= {arXiv preprint arXiv:2604.08277},
year = {2026}
}
备注
17 Algorithms, 19 Figures , 26 Tables