QNN-VRCS：面向车路协同系统的量子神经网络

城市交通系统日益增加的复杂性（因交通拥堵、多样的交通方式以及通勤偏好的变化等因素而加剧）要求开发更复杂的分析框架。传统计算方法通常难以处理实时传感器网络生成的海量数据集，且普遍缺乏实现精确交通预测和高效系统优化所需的精度。本研究整合量子计算技术以增强车路协同系统。通过利用量子算法，特别是 $UU^{\dagger}$ 和变分 $UU^{\dagger}$，结合量子图像编码方法（如 Flexible Representation of Quantum Images (FRQI) 和 Novel Enhanced Quantum Representation (NEQR)），我们提出了一种优化的量子神经网络。该 QNN 对其纠缠层结构和训练时长进行了调整，以更好地处理交通数据处理的复杂性。在两个交通数据集上的实证评估表明，我们的模型实现了 97.42% 和 84.08% 的优异分类准确率，并在各种噪声条件下展现出显著的鲁棒性。本研究突出了量子增强的 6G 解决方案在简化复杂交通系统方面的潜力，强调了量子技术在推动智能交通解决方案中的关键作用。