Raqamli Transformatsiya va Sun’iy Intellekt
SHAHAR TRANSPORT TIZIMLARIDA TIRBANDLIKLARNI BASHORAT QILISH UCHUN KVANT-CHUQUR OʻQITISH GIBRID MODELLARINI TADQIQ ETISH
1 Muhammad al-Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti
Zenodo DOI: 10.5281/zenodo.20734241
Keywords
Abstract
Ushbu tadqiqot ishida shahar transport tizimlarida tirbandliklarini oldindan bashorat qilish uchun kvant neyron tarmoqlari (Quantum Neural Networks, QNN) va klassik chuqur oʻqitish arxitekturalarining kombinatsiyasiga asoslangan yangi yondashuv taqdim etiladi. Tadqiqotda CNN-LSTM gibrid modeli taklif qilingan boʻlib, u zarur xususiyatlarni ajratib olish uchun konvolyutsion qatlamdan va vaqtinchalik bogʻliqlikllarni modellashtirish uchun LSTM bloklaridan foydalanadi. Sintetik simulyatsiya maʻlumotlari asosida oʻtkazilgan tajribalar shuni koʻrsatdiki, taklif etilgan model ARIMA bazaviy modeliga nisbatan MAE koʻrsatkichini 74.1% ga, RMSE ni 72.6% ga va MAPE ni 71.7% ga kamaytirdi. Natijalar CNN-LSTM arxitekturasining anʻanaviy vaqt qatorlari usullaridan sezilarli darajada ustunligini tasdiqlaydi.
References
- Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
- Hochreiter, S., Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780.
- Box, G.E.P., Jenkins, G.M. (1976). Time Series Analysis: Forecasting and Control. Holden-Day.
- Vapnik, V. (1995). The Nature of Statistical Learning Theory. Springer-Verlag.
- Lv, Y., et al. (2015). Traffic flow prediction with big data: A deep learning approach. IEEE Trans. ITS, 16(2).
- Yu, B., et al. (2018). Spatio-temporal graph convolutional networks. IJCAI-18, 3634–3640.
- Cho, K., et al. (2014). Learning phrase representations using RNN encoder-decoder. EMNLP 2014.
- Vaswani, A., et al. (2017). Attention is all you need. Advances in NeurIPS, 30.
- Biamonte, J., et al. (2017). Quantum machine learning. Nature, 549, 195–202.
- Liu, J., et al. (2021). Quantum optimization for traffic flow management. arXiv:2104.01234.