트래픽 행렬 예측을 위한 매개변수 효율적 양자 영감 고속 가중치 프로그래머

초록

트래픽 매트릭스(TM)는 네트워크 전반의 출발지-목적지 수요를 포착하여 트래픽 엔지니어링의 핵심 요소이지만, 온라인 네트워크 제어의 메모리, 업데이트 및 학습 예산 제약 하에서 예측을 수행해야 할 경우 정확한 전체 매트릭스 예측은 여전히 어려운 과제이다. 본 논문은 전용 그래프, 트랜스포머 또는 확산 모듈에 의존하지 않고 소형 양자 영감 순환 모델이 효과적인 TM 예측을 제공할 수 있는지 조사한다. 게이트형 양자 영감 Kolmogorov-Arnold 네트워크 고속 가중치 프로그래머(QKAN-FWP)를 Abilene TM의 직접 다단계 예측에 적용하며, 각 모델은 144개 채널 출발지-목적지(OD) 매트릭스의 다음 20개 5분 프레임을 2시간 이력에서 예측한다. 세 가지 QKAN 배치 변형을 동일 크기의 장단기 메모리(LSTM) 네트워크, 더 큰 LSTM, 그리고 고전적 게이트형 고속 가중치 프로그래머와 공유 고정 예산 학습 프로토콜 하에서 비교 평가한다. 평가된 순환 모델 중 G-QKANFWP는 더 큰 LSTM의 22.4% 파라미터만 사용하면서 최상의 통합 평균 제곱근 오차(RMSE)를 달성한다. 또한 동일 크기 LSTM 및 고전적 G-FWP 기준 모델보다 우수한 성능을 보여, 이러한 이점이 게이트형 고속 가중치 프레임워크 자체에 기인한 것이 아님을 나타낸다. 수렴 및 채널별 분석에서 양자 영감 변형이 동일 크기 순환 기준 모델보다 낮은 학습 곡선 하 검증 손실 면적(AULC)을 얻으며, G-QKANFWP와 GQKAN-FWP는 상당히 더 많은 OD 채널 승리를 달성한다. 이러한 결과는 자원에 민감한 네트워크 트래픽 매트릭스 예측을 위해 양자 영감 고속 프로그래머와 결합된 고전적 저속 프로그래머가 유망한 정확도-효율성 설계임을 식별한다.

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.