Параметрически эффективные квантово-вдохновленные быстрые программируемые веса для прогнозирования матриц трафика

Аннотация

Матрицы трафика (ТМ) отражают общесетевой спрос между узлами отправления и назначения и являются центральным элементом проектирования трафика, однако точное прогнозирование всей матрицы остается сложной задачей, когда предсказание должно выполняться с учетом ограничений по памяти, обновлению и бюджету обучения, свойственных онлайн-управлению сетью. В данной работе исследуется, могут ли компактные квантово-вдохновленные рекуррентные модели обеспечивать эффективное прогнозирование ТМ, не полагаясь на специализированные модули графов, трансформеров или диффузии. Мы адаптируем программистов быстрых весов на основе квантово-вдохновленной сети Колмогорова–Арнольда с затворами (QKAN-FWP) для прямого многошагового прогнозирования матрицы трафика сети Abilene, где каждая модель предсказывает следующие 20 пятиминутных кадров 144-канальной матрицы отправления–назначения (OD) на основе двухчасовой истории. Мы сравниваем три варианта размещения QKAN с сетью долгой краткосрочной памяти (LSTM) сопоставимого размера, более крупной LSTM и классическим программистом быстрых весов с затворами в рамках общего протокола обучения с фиксированным бюджетом. Среди оцененных рекуррентных моделей G-QKANFWP достигает наилучшей объединенной среднеквадратической ошибки (RMSE), используя при этом только 22,4% от объема более крупной LSTM. Она также превосходит как LSTM сопоставимого размера, так и классический базовый метод G-FWP, что указывает на то, что выигрыш не обусловлен одной лишь структурой быстрых весов с затворами. Анализ сходимости и поканальный анализ дополнительно показывают, что квантово-вдохновленные варианты достигают меньшей площади под кривой обучения функции потерь на валидации (AULC) по сравнению с рекуррентными базовыми методами сопоставимого размера, в то время как G-QKANFWP и GQKAN-FWP добиваются существенно большего числа выигрышей по каналам OD. Эти результаты указывают на комбинацию классического медленного программиста с квантово-вдохновленным быстрым программистом как на перспективную конструкцию, обеспечивающую точность и эффективность прогнозирования матриц сетевого трафика в условиях ограниченных ресурсов.

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.