基于时序感知量子LSTM的碳排放预测方法及应用系统技术方案

本发明专利技术涉及深度学习算法和量子计算技术领域，尤其涉及一种基于时序感知量子LSTM的碳排放预测方法及应用系统；本发明专利技术的一种基于时序感知的量子长短期记忆网络，首先，采用不同维度的门控注意力机制对时序和特征维度进行特征融合提取，以捕捉不同维度上、同一维度间的重要信息；然后，经量子编码后的信息通过由辅助和特征量子位构成的无约束变分量子电路演化，其中量子电路由N体量子门搭建；在搭建无约束变分量子电路的组件的基础上，辅助量子位的引入可以帮助模型捕捉复杂的时序关系以实现增强时序信息表达的量子电路；最后，建立基于双阶段注意力学习的自回归预测模块，关注隐层状态信息和历史信息，增强模型处理长期依赖关系的能力。

【技术实现步骤摘要】

本专利技术涉及深度学习算法和量子计算，尤其涉及一种基于时序感知量子lstm的碳排放预测方法及应用系统。

技术介绍

1、多变量时序预测在工业领域中具有广泛应用，其中能源消耗预测在工业生产过程起着非常重要的指导作用。现有的时序预测方法主要包括传统的机器学习预测、基于深度学习的预测方法和基于量子计算的混合神经网络的预测方法。其中以量子长短期记忆网路(qlstm)为代表，通过引入基于量子态相干叠加、纠缠等特性的量子计算，将经典的lstm扩展到量子领域。

2、现有的量子长短期记忆网络qlstm的研究主要包括以下两个方向：一是利用量子计算的优势来改进传统的长短期记忆(lstm)网络，特别是在处理大量数据和复杂模式识别任务时，例如，通过变分量子电路(vqc)来增强lstm网络的特征提取和数据压缩能力；二是将量子计算与图像处理相结合，例如，通过量子图像加密技术来提高图像信息的传输安全性；总的来说，研究主要侧重于与经典的lstm的收敛速度，泛化能力以及预测精度等方面的比较。然而，对于变分量子电路的设计以及如何将量子计算的纠缠特性与lstm的时序处理能力有效结合的本文档来自技高网...

【技术保护点】

1.一种基于时序感知量子LSTM的碳排放预测方法，其特征在于，包括下述步骤：

2.根据权利要求1所述的一种基于时序感知量子LSTM的碳排放预测方法，其特征在于，采用奇异值分解驱动可变N体量子门，将无约束的随机复数方阵L经过奇异值分解SVD得到左奇异酉矩阵U和右奇异酉矩阵V，奇异值分解的数学公式为：

3.根据权利要求1所述的一种基于时序感知量子LSTM的碳排放预测方法，其特征在于，增强时序信息表达的量子电路TI-VQC组件的架构包括数据编码、无约束变分以及量子期望测量；

4.根据权利要求1所述的一种基于时序感知量子LSTM的碳排放预测方法，其特征在于，建...

【技术特征摘要】

1.一种基于时序感知量子lstm的碳排放预测方法，其特征在于，包括下述步骤：

2.根据权利要求1所述的一种基于时序感知量子lstm的碳排放预测方法，其特征在于，采用奇异值分解驱动可变n体量子门，将无约束的随机复数方阵l经过奇异值分解svd得到左奇异酉矩阵u和右奇异酉矩阵v，奇异值分解的数学公式为：

3.根据权利要求1所述的一种基于时序感知量子lstm的碳排放预测方法，其特征在于，增强时序信息表达的量子电路ti-vqc组件的架构包括数据编码、无约束变分以及量子期望测量；

4.根据权利要求1所述的一种基于时序感知量子lstm的碳排放预测方法，其特征在于，建立输入网络模型的时间与特征双维度的信息调整机制具体包括下述步骤：

5.根据权利要求1所述的一种基于时序感知量子lstm的碳排放预测方法，其特征在于，建立基于双阶段注意力学习的自回归预测模块，包括：计算当前时间步t的隐层状态ht与所有历史隐层状...

【专利技术属性】
技术研发人员：杨海东，郭必诚，孟献兵，徐康康，朱成就，胡晨光，林双顺，于沃浩，赖天德，章润楠，黄世杰，蓝昭宇，黎耀康，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：