交通中的量子机器学习：行人压力建模案例研究
机器学习
2025-09-09 v3 量子物理
摘要
量子计算为解决复杂机器学习任务开辟了新机遇，例如智能交通系统中常需的高维数据表示。我们探索量子机器学习来建模反映行人压力的复杂皮肤电导反应（SCR）事件，这些事件来自虚拟现实道路过渡实验。为此，开发了基于 Pennylane 的量子支持向量机（QSVM），其使用八量子比特 ZZ 特征图；以及使用树张量网络 ansatz 和八量子比特 ZZ 特征图的量子神经网络（QNN）。数据集包括 SCR 测量值以及诸如响应�幅和持续时间等特征，这些特征被划分为基于�幅的类别。QSVM 取得良好的训练准确率，但存在过拟合问题，测试准确率仅为 45%，因此影响其分类模型的可靠性。QNN 模型取得更高的测试准确率 55%，相较于 QSVM 和经典版本，成为更好的分类模型。
引用
@article{arxiv.2507.01235,
title = {Quantum Machine Learning in Transportation: A Case Study of Pedestrian Stress Modelling},
author = {Bara Rababah and Bilal Farooq},
journal= {arXiv preprint arXiv:2507.01235},
year = {2025}
}
备注
Funding course: NSERC and Canada Research Chair program