量子科技中心_量科网

该研究团队提出了一种量子启发的ARIMA方法，将量子辅助滞后发现与固定配置变分量子电路(VQC)相结合，用于参数估计和弱滞后项优化。通过基于交换测试的量子自相关函数(QACF)和量子偏自相关函数(QPACF)识别差分阶数与候选滞后项，采用延迟矩阵构造使量子投影与时域回归量对齐，最后通过标准信息准则进行精简筛选。在确定(p,d,q)阶数后，团队采用固定结构的VQC架构、优化器和训练预算以防止超参数泄露，并将量子电路部署于两种估计任务：VQC-AR用于自回归系数估计，VQC-MA用于移动平均系数估计。在筛选与估计阶段之间，轻量级VQC弱滞后优化模块在不改变(p,d,q)阶数的前提下，对已筛选的自回归滞后项进行重新加权或剪枝。在环境与工业数据集上的滚动原点评估表明，相较于自动化经典ARIMA方法，该方案在样本外均方误差(MSE)、平均绝对百分比误差(MAPE)以及基于MSE和MAE的Diebold-Mariano检验中均具优势。实证结果显示，七个量子创新模块——(1)差分选择、(2)QACF、(3)QPACF、(4)延迟矩阵构造的交换测试原语、(5)VQC-AR、(6)VQC弱滞后优化及(7)VQC-MA——共同降低了元优化开销，并明确了量子效应在阶数发现、滞后优化及AR/MA参数估计中的具体作用路径。