Quantum-Optimized Selective State Space Model for Efficient Time Series Prediction

📄 arXiv: 2509.00259v1 📥 PDF

作者: Stefan-Alexandru Jura, Mihai Udrescu, Alexandru Topirceanu

分类: cs.LG

发布日期: 2025-08-29

💡 一句话要点

提出量子优化选择性状态空间模型以解决长时间序列预测问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 量子优化 状态空间模型 时间序列预测 长时间依赖 机器学习 变分量子门 多变量预测

📋 核心要点

  1. 长时间序列预测面临捕捉非平稳和多尺度时间依赖性的挑战，现有模型在长时间范围内表现不佳。
  2. 提出量子优化选择性状态空间模型（Q-SSM），通过量子电路自适应调节记忆更新，避免昂贵的注意力机制。
  3. 在ETT、Traffic和Exchange Rate等基准数据集上，Q-SSM在准确性和鲁棒性上均优于LSTM、TCN、Reformer等强基线模型。

📝 摘要（中文）

长时间序列预测面临捕捉非平稳和多尺度时间依赖性等挑战，同时需要保持噪声鲁棒性、效率和稳定性。基于Transformer的架构如Autoformer和Informer虽然提高了泛化能力，但在非常长的时间范围内表现不佳。状态空间模型（如S-Mamba）提供线性时间更新，但训练动态不稳定，对初始化敏感，且在多变量预测中鲁棒性有限。为解决这些问题，本文提出量子优化选择性状态空间模型（Q-SSM），该模型结合了状态空间动态与变分量子门，采用简单的参数化量子电路（RY-RX ansatz）来自适应地调节记忆更新。通过实验证明，Q-SSM在多个基准数据集上表现优于强基线模型，展示了变分量子门在长时间预测中的潜力。

🔬 方法详解

问题定义：本文旨在解决长时间序列预测中的非平稳性和多尺度时间依赖性问题。现有方法如Transformer和状态空间模型在长时间范围内的性能下降和训练不稳定性是主要痛点。

核心思路：提出量子优化选择性状态空间模型（Q-SSM），通过引入变分量子门来优化状态空间动态，利用简单的参数化量子电路（RY-RX ansatz）自适应调节记忆更新，从而提高模型的稳定性和长时间依赖性建模能力。

技术框架：Q-SSM的整体架构包括状态空间动态模块和量子门模块。状态空间模块负责捕捉时间序列的动态特性，而量子门模块则通过调节记忆更新来增强模型的学习能力。

关键创新：Q-SSM的核心创新在于将量子优化技术引入状态空间模型，利用量子电路替代传统的注意力机制，从而实现更高效的长时间序列预测。

关键设计：在模型设计中，采用了RY-RX参数化量子电路，设置了适当的损失函数以优化预测精度，并确保模型在多变量预测中的鲁棒性。具体参数设置和训练策略在实验中进行了详细验证。

📊 实验亮点

在ETT、Traffic和Exchange Rate等基准数据集上，Q-SSM在准确性上超越了LSTM、TCN、Reformer等强基线模型，展示了显著的性能提升，尤其是在长时间预测任务中，表现出更好的稳定性和鲁棒性。

🎯 应用场景

该研究的潜在应用领域包括金融市场预测、交通流量预测和气象数据分析等。通过提高长时间序列预测的准确性和鲁棒性，Q-SSM能够为决策支持系统提供更可靠的数据分析工具，推动相关领域的智能化发展。

📄 摘要（原文）

Long-range time series forecasting remains challenging, as it requires capturing non-stationary and multi-scale temporal dependencies while maintaining noise robustness, efficiency, and stability. Transformer-based architectures such as Autoformer and Informer improve generalization but suffer from quadratic complexity and degraded performance on very long time horizons. State space models, notably S-Mamba, provide linear-time updates but often face unstable training dynamics, sensitivity to initialization, and limited robustness for multivariate forecasting. To address such challenges, we propose the Quantum-Optimized Selective State Space Model (Q-SSM), a hybrid quantum-optimized approach that integrates state space dynamics with a variational quantum gate. Instead of relying on expensive attention mechanisms, Q-SSM employs a simple parametrized quantum circuit (RY-RX ansatz) whose expectation values regulate memory updates adaptively. This quantum gating mechanism improves convergence stability, enhances the modeling of long-term dependencies, and provides a lightweight alternative to attention. We empirically validate Q-SSM on three widely used benchmarks, i.e., ETT, Traffic, and Exchange Rate. Results show that Q-SSM consistently improves over strong baselines (LSTM, TCN, Reformer), Transformer-based models, and S-Mamba. These findings demonstrate that variational quantum gating can address current limitations in long-range forecasting, leading to accurate and robust multivariate predictions.