量子科技中心_量科网

流量矩阵（TM）捕获了全网范围内的源-目的地流量需求，是流量工程的核心。然而，当预测必须在在线网络控制的内存、更新和训练预算约束下进行时，精确的全矩阵预测仍然具有挑战性。本文探讨了紧凑的量子启发式循环模型是否能够在无需依赖专用图、Transformer或扩散模块的情况下，提供有效的TM预测。该团队将门控量子启发式Kolmogorov-Arnold网络快速权重编程器（QKAN-FWP）应用于Abilene TM的直接多步预测，其中每个模型根据两小时的历史数据预测一个144通道源-目的地（OD）矩阵接下来的20个五分钟帧。在共享固定预算训练协议下，该工作将三种QKAN放置变体与同等规模的长短期记忆网络（LSTM）、一个较大的LSTM以及一个经典的门控快速权重编程器进行了基准测试。在所评估的循环模型中，G-QKANFWP在仅使用较大LSTM 22.4%参数量的情况下，取得了最佳的整体均方根误差（RMSE）。它还优于同等规模的LSTM和经典的G-FWP基线，这表明性能提升并非仅来自门控快速权重框架。收敛性和逐通道分析进一步表明，量子启发式变体在学习曲线下的验证损失面积（AULC）低于同等规模的循环基线，而G-QKANFWP和GQKAN-FWP在更多的OD通道上取得了优势。这些结果表明，将经典慢速编程器与量子启发式快速编程器相结合，是一种在资源受限的网络流量矩阵预测中兼顾精度与效率的设计方案。