本申请实施例公开了一种数据预测方法、装置、存储介质及电子设备。该方法包括：获取样本集，并将样本集中的样本标签进行归一化处理，从样本集中抽取训练集以及测试集，基于训练集对量子变分回归模型进行训练，将测试集输入至训练后的量子变分回归模型中，以输出预测值，根据预测值以及归一化处理后的样本标签，计算真实预测值。本申请实施例可以利用量子算法提升回归任务的计算精度，填补了量子算法在机器学习回归任务中的空白，并且提升回归模型的预测精准度。测精准度。测精准度。
【技术实现步骤摘要】
数据预测方法、装置、存储介质及电子设备
[0001]本申请涉及计算机
，具体涉及一种数据预测方法、装置、存储介质及电子设备。
技术介绍
[0002]回归任务是人工智能领域中重要的组成部分，回归模型在实际的各类场景中都发挥着重要作用。回归模型是一种预测性的建模技术，它研究的是因变量(目标)和自变量(预测器)之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。
[0003]申请人发现，现有的经典机器学习算法在预测精确度上存在一定的局限性，尤其是在大数据背景下其运算性能也逐渐达到瓶颈。虽然量子计算方式相比经典计算方式有着显著的优越性，但从目前的中等量子比特规模且带有噪声的量子计算机硬件出发，许多经典的量子算法由于所使用的量子比特和量子逻辑门较多，导致算法的误差较大甚至根本无法在现有的量子计算机中实现，导致量子算法在回归任务的应用上存在较大的空白。
技术实现思路
[0004]本申请实施例提供一种数据预测方法、装置、存储介质及电子设备，可以利用量子算法提升回归任务的计算精度，从而提升回归模型的预测精准度。
[0005]本申请实施例提供了一种数据预测方法，包括：
[0006]获取样本集，并将所述样本集中的样本标签进行归一化处理；
[0007]从样本集中抽取训练集以及测试集，基于所述训练集对量子变分回归模型进行训练；
[0008]将所述测试集输入至训练后的量子变分回归模型中，以输出预测值；
[0009]根据所述预测值以及所述归一化处理后的样本标签，计算真实预测值。
[0010]在一实施例中，基于所述训练集对量子变分回归模型进行训练的步骤，包括：
[0011]在量子寄存器上创建两个量子比特，并置为0，再通过经典
‑
量子转换电路将训练数据特征值转换为量子叠加态的概率幅值，处理公式为：
[0012][0013][0014][0015]其中，α1、α2和α3为Ry逻辑门的相角，a，b，c，d为输入的经典数据，且为实数。
[0016]在一实施例中，所述方法还包括：
[0017]通过量子先验电路对经典
‑
量子转换电路得到的量子叠加态进行处理，处理公式为：
[0018][0019]其中：
[0020][0021]在一实施例中，所述方法还包括：
[0022]将所述经典
‑
量子转换电路与所述量子先验电路相结合，以得到量子变分回归模型；
[0023]通过梯度下降算法调节所述量子先验电路中的参数θ，计算损失函数的最小值，以完成所述量子变分回归模型的训练，其中所述损失函数的计算公式为：
[0024][0025]其中n表示输入数据的总数，y
true
*代表真实值的归一化值，y
pred
表示量子变分回归模型电路所输出的预测值。
[0026]在一实施例中，将所述测试集输入至训练后的量子变分回归模型中，以输出预测值的步骤，包括：
[0027]提取所述测试集中的测试数据特征值，并输入至训练后的量子变分回归模型中，以输出归一化的预测值。
[0028]在一实施例中，根据所述预测值以及所述归一化处理后的样本标签，计算真实预测值的步骤，包括:
[0029]基于所述归一化处理后的样本标签对所述归一化的预测值进行反归一化，以得到真实预测值，计算公式为：
[0030]y
pred
＝norm*y
pred*
[0031]其中y
pred
为真实预测值，y
pred
*为归一化的预测值。
[0032]本申请实施例还提供一种数据预测装置，包括：
[0033]获取模块，用于获取样本集，并将所述样本集中的样本标签进行归一化处理；
[0034]训练模块，用于从样本集中抽取训练集以及测试集，基于所述训练集对量子变分回归模型进行训练；
[0035]处理模块，用于将所述测试集输入至训练后的量子变分回归模型中，以输出预测值；
[0036]计算模块，用于根据所述预测值以及所述归一化处理后的样本标签，计算真实预测值。
[0037]在一实施例中，所述训练模块包括：
[0038]第一处理子模块，用于在量子寄存器上创建两个量子比特，并通过4个量子逻辑门对输入的数据进行处理，以构建量子先验电路；
[0039]第二处理子模块，用于提取所述训练集中的训练数据特征值，并通过经典
‑
量子转换电路将所述训练数据特征值转换为量子叠加态的概率幅值；
[0040]训练子模块，用于将所述经典
‑
量子转换电路与所述量子先验电路相结合，以得到量子变分回归模型，通过梯度下降算法调节所述量子先验电路中的参数，计算损失函数的最小值，以完成所述量子变分回归模型的训练。
[0041]本申请实施例还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行如上任一实施例所述的数据预测方法中的步骤。
[0042]本申请实施例还提供一种电子设备，所述电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，执行如上任一实施例所述的数据预测方法中的步骤。
[0043]本申请实施例提供的数据预测方法、装置、存储介质及电子设备，可以获取样本集，并将样本集中的样本标签进行归一化处理，从样本集中抽取训练集以及测试集，基于训练集对量子变分回归模型进行训练，将测试集输入至训练后的量子变分回归模型中，以输出预测值，根据预测值以及归一化处理后的样本标签，计算真实预测值。本申请实施例可以利用量子算法提升回归任务的计算精度，填补了量子算法在机器学习回归任务中的空白，并且提升回归模型的预测精准度。
附图说明
[0044]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0045]图1为本申请实施例提供的数据预测方法的一种流程示意图。
[0046]图2为本申请实施例提供的数据预测方法的另一种流程示意图。
[0047]图3为本申请实施例提供的经典
‑
量子转换电路示意图。
[0048]图4为本申请实施例提供的量子先验电路示意图。
[0049]图5为本申请实施例提供的量子变分回归器电路示意图。
[0050]图6为本申请实施例提供的损失函数曲线示意图。
[0051]图7为本申请实施例提供的预测值和实际值的对比示意图。
[0052]图8为本申请实施例提供的数据预测装置的一种结构示意图。
[0053]图9为本申请实施例提供的数据预测装置的另一结构示意图。本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种数据预测方法，其特征在于，包括：获取样本集，并将所述样本集中的样本标签进行归一化处理；从所述样本集中抽取训练集以及测试集，基于所述训练集对量子变分回归模型进行训练；将所述测试集输入至训练后的量子变分回归模型中，以输出预测值；根据所述预测值以及所述归一化处理后的样本标签，计算真实预测值。2.如权利要求1所述的数据预测方法，其特征在于，所述基于所述训练集对量子变分回归模型进行训练的步骤，包括：在量子寄存器上创建两个量子比特，并置为0，再通过经典
‑
量子转换电路将训练数据特征值转换为量子叠加态的概率幅值，处理公式为：特征值转换为量子叠加态的概率幅值，处理公式为：特征值转换为量子叠加态的概率幅值，处理公式为：其中，α1、α2和α3为Ry逻辑门的相角，a，b，c，d为输入的经典数据，且为实数。3.如权利要求2所述的数据预测方法，其特征在于，所述方法还包括：通过量子先验电路对权利要求2得到的量子叠加态进行处理，处理公式为：其中：4.如权利要求3所述的数据预测方法，其特征在于，所述方法还包括：将所述经典
‑
量子转换电路与所述量子先验电路相结合，以得到量子变分回归模型；通过梯度下降算法调节所述量子先验电路中的参数θ，计算损失函数的最小值，以完成所述量子变分回归模型的训练，其中所述损失函数的计算公式为：其中，n为输入数据的总数，y
true
*为真实值的归一化值，y
pred
为量子变分回归模型电路所输出的预测值。5.如权利要求1所述的数据预测方法，其特征在于，所述将所述测试集输入至训练后的量子变分回归模型中，以输出预测值的步骤，包括：
提取所述测试集中的测试数据特征值，并输入至训练后的量子变分回归模型中，以输出归一化的预测值。6.如权利要求5所述的数据预测方法，其特征在于，所述根据所述预测值以及所述归一化处理后的样本标签，...
【专利技术属性】
技术研发人员：孙祺淳，李小刚，徐华，
申请(专利权)人：合肥弈维量子科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。