Parameter-efficiënte kwantum-geïnspireerde snelle gewichtsprogrammeurs voor verkeersmatrixvoorspelling

Samenvatting

Verkeersmatrices (VM's) leggen de netwerkbrede herkomst-bestemmingsvraag vast en zijn centraal voor verkeerstechniek, maar nauwkeurige volledige matrixvoorspelling blijft een uitdaging wanneer de voorspelling moet worden uitgevoerd onder de geheugen-, update- en trainingsbudgetbeperkingen van online netwerkbesturing. Dit artikel onderzoekt of compacte kwantum-geïnspireerde recurrente modellen effectieve VM-voorspellingen kunnen leveren zonder afhankelijk te zijn van speciale graaf-, transformer- of diffusiemodules. We passen gated kwantum-geïnspireerde Kolmogorov-Arnold-netwerk snelle-gewichtprogrammeurs (QKAN-FWP's) aan voor directe meerstaps Abilene VM-voorspelling, waarbij elk model de volgende 20 vijfminutenframes van een 144-kanaals herkomst-bestemmingsmatrix (HB-matrix) voorspelt op basis van een geschiedenis van twee uur. We vergelijken drie QKAN-plaatsingsvarianten met een long short-term memory (LSTM)-netwerk van vergelijkbare grootte, een groter LSTM-netwerk en een klassieke gated snelle-gewichtprogrammeur onder een gedeeld vastbudget trainingsprotocol. Van de geëvalueerde recurrente modellen behaalt G-QKANFWP de beste gepoolde wortel-gemiddelde-kwadraatfout (RMSE), terwijl het slechts 22,4% van de parameters van het grotere LSTM gebruikt. Het presteert ook beter dan zowel het LSTM van vergelijkbare grootte als de klassieke G-FWP-baseline, wat aangeeft dat de winst niet alleen aan het gated snelle-gewichtkader te danken is. Convergentie- en kanaalsgewijze analyses tonen verder aan dat de kwantum-geïnspireerde varianten een lagere validatieverlies-oppervlak onder de leercurve (AULC) behalen dan recurrente baselines van vergelijkbare grootte, terwijl G-QKANFWP en GQKAN-FWP aanzienlijk meer OD-kanaaloverwinningen boeken. Deze resultaten identificeren een klassieke langzame programmeur met een kwantum-geïnspireerde snelle programmeur als een veelbelovend nauwkeurigheid-efficiëntieontwerp voor resourcebewuste netwerkverkeersmatrixvoorspelling.

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.