Programmeurs de poids rapides économes en paramètres et inspirés du quantique pour la prévision de matrices de trafic

Résumé

Les matrices de trafic (MT) capturent la demande globale de bout en bout d’un réseau et sont essentielles à l’ingénierie de trafic, mais la prévision précise de la matrice entière reste difficile lorsque la prédiction doit être effectuée sous les contraintes de mémoire, de mise à jour et de budget d’apprentissage du contrôle réseau en ligne. Cet article examine si des modèles récurrents compacts inspirés du quantique peuvent fournir des prévisions efficaces des MT sans recourir à des modules graphiques, transformateurs ou de diffusion dédiés. Nous adaptons des programmateurs à poids rapides de réseau Kolmogorov-Arnold inspiré du quantique et à portes (QKAN-FWP) à la prévision directe multi-étapes des MT d’Abilene, où chaque modèle prédit les 20 trames suivantes de cinq minutes d’une matrice origine-destination (OD) à 144 canaux à partir d’un historique de deux heures. Nous comparons trois variantes de placement du QKAN à un réseau de mémoire à long et court terme (LSTM) de taille équivalente, à un LSTM plus grand et à un programmateur à poids rapides classique et à portes, dans le cadre d’un protocole d’apprentissage à budget fixe partagé. Parmi les modèles récurrents évalués, le G-QKANFWP obtient la meilleure erreur quadratique moyenne (RMSE) poolée, tout en n’utilisant que 22,4 % de la mémoire du LSTM plus grand. Il surpasse également le LSTM de taille équivalente et le G-FWP classique, indiquant que le gain n’est pas dû au seul cadre de poids rapides à portes. Les analyses de convergence et par canal montrent en outre que les variantes inspirées du quantique obtiennent une aire sous la courbe d’apprentissage (AULC) de l’erreur de validation inférieure à celle des modèles récurrents de base de taille équivalente, tandis que le G-QKANFWP et le GQKAN-FWP remportent nettement plus de victoires sur les canaux OD. Ces résultats identifient un programmateur lent classique associé à un programmateur rapide inspiré du quantique comme une conception prometteuse en termes de précision et d’efficacité pour la prévision des matrices de trafic réseau respectueuse des ressources.

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.