Parameter-effiziente quanteninspirierte Schnellgewichtsprogrammierer für die Verkehrsmatrix-Vorhersage

Zusammenfassung

Verkehrsmatrizen (VMs) erfassen die netzwerkweite Nachfrage zwischen Ursprung und Ziel und sind zentral für das Verkehrsmanagement. Die genaue Vorhersage der gesamten Matrix bleibt jedoch eine Herausforderung, wenn die Prognose unter den Speicher-, Aktualisierungs- und Trainingsbudgetbeschränkungen der Online-Netzwerksteuerung durchgeführt werden muss. Diese Arbeit untersucht, ob kompakte quanteninspirierte rekurrente Modelle effektive VM-Prognosen liefern können, ohne auf spezielle Graph-, Transformer- oder Diffusionsmodule angewiesen zu sein. Wir passen gegatterte quanteninspirierte Kolmogorov-Arnold-Netzwerk-Schnellgewichtsprogrammierer (QKAN-FWPs) an die direkte mehrschrittige Abilene-VM-Prognose an, wobei jedes Modell die nächsten 20 Fünf-Minuten-Rahmen einer 144-Kanal-Ursprung-Ziel-Matrix (UZ-Matrix) aus einer zweistündigen Historie vorhersagt. Wir bewerten drei QKAN-Platzierungsvarianten im Vergleich zu einem Long-Short-Term-Memory-Netzwerk (LSTM) mit angepasster Größe, einem größeren LSTM und einem klassischen gegatterten Schnellgewichtsprogrammierer unter einem gemeinsamen Trainingsprotokoll mit festem Budget. Unter den bewerteten rekurrenten Modellen erreicht G-QKANFWP den besten gepoolten RMSE (Root-Mean-Square-Fehler) und verwendet dabei nur 22,4 % des größeren LSTM. Es übertrifft sowohl das LSTM mit angepasster Größe als auch die klassische G-FWP-Baseline, was darauf hindeutet, dass der Gewinn nicht allein auf das gegatterte Schnellgewichtsframework zurückzuführen ist. Konvergenz- und kanalweise Analysen zeigen zudem, dass die quanteninspirierten Varianten eine niedrigere Fläche unter der Lernkurve des Validierungsverlusts (AULC) erzielen als die rekurrenten Baselines mit angepasster Größe, während G-QKANFWP und GQKAN-FWP deutlich mehr OD-Kanal-Gewinne erzielen. Diese Ergebnisse identifizieren einen klassischen Langsamgewichtsprogrammierer mit einem quanteninspirierten Schnellgewichtsprogrammierer als vielversprechendes Design für Genauigkeit und Effizienz bei der ressourcenbewussten Prognose von Netzwerkverkehrsmatrizen.

English

Traffic matrices (TMs) capture network-wide origin-destination demand and are central to traffic engineering, yet accurate whole-matrix forecasting remains challenging when prediction must be performed under the memory, update, and training-budget constraints of online network control. This paper investigates whether compact quantum-inspired recurrent models can provide effective TM forecasts without relying on dedicated graph, transformer, or diffusion modules. We adapt gated quantum-inspired Kolmogorov-Arnold network fast-weight programmers (QKAN-FWPs) to direct multi-step Abilene TM forecasting, where each model predicts the next 20 five-minute frames of a 144-channel origin-destination (OD) matrix from a two-hour history. We benchmark three QKAN placement variants against a matched-size long short-term memory (LSTM) network, a larger LSTM, and a classical gated fast-weight programmer under a shared fixed-budget training protocol. Among the evaluated recurrent models, G-QKANFWP achieves the best pooled root-mean-square error (RMSE), while using only 22.4% of the larger LSTM. It also outperforms both the matched-size LSTM and the classical G-FWP baseline, indicating that the gain is not due to gated fast-weight framework alone. Convergence and channel-wise analyses further show that the quantum-inspired variants obtain lower validation-loss area under the learning curve (AULC) than matched-size recurrent baselines, while G-QKANFWP and GQKAN-FWP achieve substantially more OD-channel wins. These results identify a classical slow programmer with a quantum-inspired fast programmer as a promising accuracy-efficiency design for resource-conscious network traffic-matrix forecasting.