研究人员开发了用于流量矩阵预测的参数高效量子启发式模型，旨在提高在线网络控制约束下的准确性和效率。G-QKANFWP模型与同等大小的LSTM和经典门控快速权重编程器相比，表现出优越的性能，在消耗显著更少计算资源的情况下，实现了最佳的汇集均方根误差。这些量子启发式变体显示出更低的验证损失和更成功的OD通道预测，表明其在资源敏感型网络流量管理方面具有有前景的设计。 AI
影响 为网络流量预测提供了一种更有效的方法，有可能提高网络控制系统的资源利用率。
排序理由 arXiv上发表的研究论文，详细介绍了一种新的模型架构。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2606.27821v1 Announce Type: cross Abstract: 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, an…
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 co…