基于量子线性回归模型的数据预测方法、存储介质及终端技术

本发明专利技术公开了基于量子线性回归模型的数据预测方法、存储介质及终端，属于量子线性回归算法技术领域，所述方法包括：根据采集的预测相关数据构建线性回归模型；将采集的预测相关数据编码为量子态数据集；将量子态数据集应用量子线性回归模型进行计算，具体包括：对量子态自变量矩阵进行求偏迹；基于量子主成分分析法求解量子态数据集的预测输出态|ψ1＞；生成辅助量子态|ψ2＞，执行|ψ1＞和|ψ2＞的内积操作得到预测结果。本发明专利技术将量子态数据集应用量子线性回归模型进行计算，实现了求解时间复杂度的指数级加速；同时量子线性回归模型处理的数据量比经典模型中处理的更加庞大，进而能够减小样本数据中异常数据对预测结果的影响，得到更高精准度的预测结果。得到更高精准度的预测结果。得到更高精准度的预测结果。

【技术实现步骤摘要】
基于量子线性回归模型的数据预测方法、存储介质及终端


[0001]本专利技术涉及量子线性回归算法
，尤其涉及基于量子线性回归模型的数据预测方法、存储介质及终端。

技术介绍

[0002]随着大数据时代的发展，在多种场景都会应用到线性回归模型对数据的走势进行预测分析，如金融领域对各种数值走势的预测分析任务等，需要进行大量的量化分析工作，例如衍生产品定价、信用评级等。然而，用于预测分析的线性回归模型受限于传统计算机的硬件限制，在其建立过程中，如果数据量小，能够很快的处理数据建立模型；但当数据量大的时候，其往往需要更长久的时间去建立模型，然而为保证模型建立的精准度，则需要基于大量的训练数据进行训练，在此基础上，模型的预测精准度与计算效率之间的关系难以平衡兼顾。在此基础上，如何提高线性回归模型的数据处理效率及预测精准度是目前亟需解决的技术问题。

技术实现思路

[0003]本专利技术的目的在于克服现有线性回归模型数据处理效率、预测精准度不高的问题，提供了基于量子线性回归模型的数据预测方法、存储介质及终端。
[0004]本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于量子线性回归模型的数据预测方法，其特征在于：所述方法包括：根据采集的预测相关数据构建线性回归模型；将采集的预测相关数据编码为量子态数据集；将量子态数据集应用量子线性回归模型进行计算，具体包括：对量子态自变量矩阵进行求偏迹；基于量子主成分分析法求解量子态数据集的预测输出态|ψ1＞；生成辅助量子态|ψ2＞，执行|ψ1＞和|ψ2＞的内积操作得到预测结果。2.根据权利要求1所述的基于量子线性回归模型的数据预测方法，其特征在于：所述线性模型为：Y＝β0+β1X1+β2X2+β3X3+β4X4+ε其中，Y表示因变量；X表示自变量；β表示自变量的回归系数；ε表示误差。3.根据权利要求1所述的基于量子线性回归模型的数据预测方法，其特征在于：所述对量子态自变量矩阵|ψ
X
＞、＜ψ
X
|进行求偏迹得到：其中，表示|ψ
X
＞的系数；表示＜ψ
X
|的系数；j表示自变量的分量。4.根据权利要求1所述的基于量子线性回归模型的数据预测方法，其特征在于：所述基于量子主成分分析法求解量子态数据集的预测输出态|ψ1＞具体包括：基于量子主成分分析法将作用到|ψ
X
＞上得到计算结果：其中，N表示执行次数；|nΔt＞、＜nΔt|分别表示主成分分析的向量；表示张量；表示|n
△
t>的系数；将作用到|ψ
X
＞上得到的计算结果进行受控旋转处理得到：其中，c为常数；表示左奇异向量；表示右奇异向量；|λ
r
＞表示特征值向量；丢弃第三寄存器上的特征值得到最终的量子态数据集的预测输出态|ψ1＞：
其中，为量子态的归一化系数。5.根据权利要求4所述的基于量子线性回归模型的数据预测方法，其特征在于：所述基于量子主成分分析法将作用到|ψ
X
＞上得到计算结果还包括：当N取值较大时，将作用到|ψ
X
＞上得到的计算...

【专利技术属性】
技术研发人员：李晓瑜，陈天肃，昌燕，张仕斌，
申请(专利权)人：四川元匠科技有限公司，
类型：发明
国别省市：