量子长期短记忆（QLSTM）与传统 LSTM 在时间序列预测中的比较研究：以太阳能预测为例

Oct, 2023

量子长期短记忆（QLSTM）与传统 LSTM 在时间序列预测中的比较研究：以太阳能预测为例

Quantum Long Short-Term Memory (QLSTM) vs Classical LSTM in Time Series Forecasting: A Comparative Study in Solar Power Forecasting

PDF

Saad Zafar Khan, Nazeefa Muzammil, Syed Mohammad Hassan Zaidi, Abdulah Jeza Aljohani, Haibat Khan...

TL;DR准确预测太阳能发电对于可持续能源系统的全球发展至关重要。本研究比较了量子长短期记忆（QLSTM）和经典长短期记忆（LSTM）模型在太阳能发电预测中的表现，结果显示 QLSTM 具有训练收敛加速和测试损失显著降低等优点。然而，要充分发挥 QLSTM 的潜力，需要进一步研究模型验证、系统超参数优化、硬件噪声韧性和相关可再生能源预测应用。通过严格基于真实数据的基准测试，本研究揭示了量子学习在可再生能源预测中的一个有前景的轨迹。进一步的研究和开发可以进一步实现该潜力，实现对全球太阳能发电的前所未有的准确性和可靠性预测。

Abstract

Accurately forecasting solar power generation is crucial in the global progression towards sustainable energy systems. In this study, we conduct a meticulous comparison between quantum long short-term memory (QLS

solar power generation quantum long short-term memory classical long short-term memory time series forecasting renewable energy

发现论文，激发创造

一种受量子机器学习启发的新型随机 LSTM 模型

分析经典、随机和量子方法的表现，研究在长短期记忆模型中利用量子变分算法启发的随机方法，以取得量子机器学习在经典机器上的一些好处。

May, 2023

光伏电力预测基于量子机器学习

通过混合量子神经网络，该研究提出了两种模型来预测太阳能电池板的功率输出，其中第一种模型表现最好，降低了超过 40% 的平均绝对误差和平均平方误差；第二种模型则在没有气象数据的情况下，以比传统模型低出 16% 的平均绝对误差预测光伏功率，展现出量子机器学习在可再生能源领域中的潜在用途。

Dec, 2023

基于长短期记忆网络的时间序列预测深度学习

本文介绍 LSTM 模型的结构和前向传播机制，提出了 Random Connectivity LSTM（RCLSTM）模型，并通过在电信网络交通预测和用户移动性中的应用证明了 RCLSTM 模型可实现相同的预测准确性，同时具有计算复杂度更低的优点

Oct, 2018

利用深度神经网络建模长短期时间模式

本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet)，用于解决多元时间序列预测等问题，并在复杂混合循环模式数据上实现了显著的性能提升。

Mar, 2017

联邦量子长短期记忆网络 (FedQLSTM)

提出了一种整合了量子长短期记忆（QLSTM）模型和时间数据的新型量子联邦学习（QFL）框架，用于函数逼近任务，实验结果表明，与使用经典 LSTM 模型的联邦学习框架相比，该框架在本地训练时期内实现更快的收敛速度，减少了总计算量，并节省了收敛所需的通信轮次的 25-33%。

Dec, 2023

使用连续多序列 MRI 评估 QCNN-LSTM 在多发性硬化症残疾预测中的有效性

在这项初步研究中，我们比较了三种 Quantum Convolutional Neural Network-Long Short-Term Memory 模型与经典神经网络架构在多发性硬化 (Multiple Sclerosis) 残疾的二分类问题上的性能，研究结果显示，QCNN-LSTM 模型在时间效率上具备了与经典方法相媲美的性能。

Jan, 2024

利用 LSTMs 进行日前电力价格和波动率的概率预测

准确预测电力价格对于电力系统管理和智能应用的发展至关重要。本研究提出了一种用于德国 - 卢森堡次日电力价格的长短期记忆（LSTM）模型，通过应对俄罗斯入侵乌克兰后欧洲电力价格的大幅上涨和高度波动等挑战，来应对现有预测方法的局限。LSTM 的循环结构允许该模型适应价格趋势，同时通过同时预测均值和标准差，实现了概率性预测。使用超统计学的物理启发方法来解释价格的统计特性，本研究表明 LSTM 模型能够忠实地重现价格和其波动情况。

Oct, 2023

利用长短期记忆网络对高维混沌系统进行数据驱动的预测

使用基于数据驱动的长短时记忆（LSTM）循环神经网络的预测方法，展示了该方法在高维混沌系统中的定量预测效果，并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比，LSTM 在所有应用中都表现出更好的短期预测准确性，并且 MSM-LSTM 可以保证收敛到不变措施。

Feb, 2018

增强金融数据可视化以便于投资决策

利用 LSTM 网络预测股票动态，主要关注细微的涨跌模式，结合纽约证交所的数据集，改进 LSTM 模型以捕捉复杂的市场模式，进而提高股票价格预测的准确性。

Dec, 2023

基于序列到序列学习的智能家居短期负载预测

本文提出使用基于 LSTM 的序列 - 序列学习模型来捕捉家用电器负载曲线，并使用 4 个住宅建筑物的真实数据集将其与 VARMA，Dilated One Dimensional 卷积神经网络和 LSTM 模型进行比较，结果表明，在大多数情况下，提出的 LSTM 序列 - 序列模型在预测误差方面优于其他技术。

Jun, 2021