Programadores Rápidos de Pesos Inspirados en la Computación Cuántica y Eficientes en Parámetros para la Predicción de la Matriz de Tráfico

Resumen

Las matrices de tráfico (TMs) capturan la demanda origen-destino a nivel de red y son fundamentales para la ingeniería de tráfico; sin embargo, la predicción precisa de la matriz completa sigue siendo un desafío cuando la predicción debe realizarse bajo las restricciones de memoria, actualización y presupuesto de entrenamiento del control de red en línea. Este artículo investiga si los modelos recurrentes compactos inspirados en la computación cuántica pueden proporcionar pronósticos efectivos de TM sin depender de módulos dedicados de grafos, transformadores o difusión. Adaptamos los programadores de pesos rápidos de redes de Kolmogorov-Arnold inspiradas en cuántica y con compuertas (QKAN-FWPs) para el pronóstico directo multi-paso de la TM de Abilene, donde cada modelo predice los siguientes 20 marcos de cinco minutos de una matriz origen-destino (OD) de 144 canales a partir de un historial de dos horas. Evaluamos tres variantes de ubicación de QKAN frente a una red de memoria a corto-largo plazo (LSTM) de tamaño equivalente, una LSTM más grande y un programador clásico de pesos rápidos con compuertas, bajo un protocolo de entrenamiento con presupuesto fijo compartido. Entre los modelos recurrentes evaluados, G-QKANFWP logra el mejor error cuadrático medio agrupado (RMSE), utilizando solo el 22.4% de la LSTM más grande. También supera tanto a la LSTM de tamaño equivalente como a la línea base clásica G-FWP, lo que indica que la mejora no se debe únicamente al marco de pesos rápidos con compuertas. Los análisis de convergencia y por canal muestran además que las variantes inspiradas en cuántica obtienen un área bajo la curva de aprendizaje (AULC) de pérdida de validación más baja que las líneas base recurrentes de tamaño equivalente, mientras que G-QKANFWP y GQKAN-FWP logran sustancialmente más victorias en canales OD. Estos resultados identifican un programador lento clásico con un programador rápido inspirado en cuántica como un diseño prometedor de precisión-eficiencia para el pronóstico de matrices de tráfico de red con conciencia de recursos.

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.