量子科技中心_量科网

多输出时间序列预测在能源系统中具有挑战性，原因在于非线性动力学、多尺度季节性以及相关序列间的强依赖性。本研究针对一个包含103户家庭用电时间序列的真实智能电表数据集，在 \(ibm\_marrakesh\) 超导量子处理器上执行实验，探究了两种用于多流时间序列预测的混合量子-经典框架。第一种模型为带重复测量的核化量子储层计算（KQRC-RM），该模型结合了耦合量子储层、辅助比特辅助重复测量以及核化读出，以联合建模时间动态与跨流相关性。对于3流时间序列输入与输出，使用114量子比特的KQRC-RM模型在MPS模拟器上达到0.0811的MAE（较其经典对应模型提升36.92%），而在硬件上性能下降至MAE为0.1524。第二种模型为投影量子核高斯过程（QGP），该模型用由局部约化态统计量构建的投影核替代了基于保真度的核。使用一个拓扑感知的100量子比特QGP模型预测100个多输出时间序列值时，研究人员观察到49%的时间序列输出实现了高精度预测（MAE < 0.15），该低误差组的平均MAE为0.082。中等误差区间（MAE 0.15-0.35）的平均MAE为0.229，而高误差区间（MAE > 0.35）的平均MAE为0.664。总体而言，相较于经典GP基线，该模型在MPS模拟器上将平均MAE降低了62.01%，在硬件上降低了40.37%。这些结果共同证明了在NISQ设备上，混合量子机器学习在100+量子比特规模下进行多输入多输出时间序列预测的可行性。