パラメータ効率的な量子インスパイアード高速重みプログラマによるトラフィック行列予測

要旨

トラフィック行列（TM）はネットワーク全体の起点-終点需要を捉え、トラフィックエンジニアリングの中心的な役割を果たすが、オンラインネットワーク制御におけるメモリ、更新、およびトレーニング予算の制約下で予測を実行しなければならない場合、行列全体の正確な予測は依然として困難である。本稿では、専用のグラフ、トランスフォーマー、または拡散モジュールに依存することなく、コンパクトな量子インスパイア型リカレントモデルが効果的なTM予測を提供できるかを調査する。我々は、ゲート付き量子インスパイア型Kolmogorov-Arnoldネットワーク高速重みプログラマ（QKAN-FWP）を、Abilene TMの直接多段階予測に適応させる。各モデルは、2時間の履歴から144チャネルの起点-終点（OD）行列の次の20個の5分フレームを予測する。3つのQKAN配置バリアントを、同規模の長短期記憶（LSTM）ネットワーク、より大規模なLSTM、および共有固定予算トレーニングプロトコル下の古典的なゲート付き高速重みプログラマとベンチマークする。評価されたリカレントモデルの中で、G-QKANFWPは、より大規模なLSTMの22.4%のパラメータしか使用しないにもかかわらず、最良のプール二乗平均平方根誤差（RMSE）を達成する。また、同規模のLSTMおよび古典的なG-FWPベースラインを上回り、この利得がゲート付き高速重みフレームワークのみに起因するものではないことを示している。収束解析およびチャネル別解析はさらに、量子インスパイア型バリアントが同規模のリカレントベースラインよりも低い検証損失学習曲線下面積（AULC）を獲得し、G-QKANFWPとGQKAN-FWPが有意に多くのODチャネル勝利数を達成することを示している。これらの結果は、資源に制約のあるネットワークトラフィック行列予測において、古典的な低速プログラマと量子インスパイア型高速プログラマの組み合わせが、精度と効率の両面で有望な設計であることを示している。

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.