Traffic matrices (TMs) capture network-wide origin-destination demand and are central to traffic engineering, yet accurate whole-matrix forecasting remains challenging when prediction must be performed under the memory, update, and training-budget constraints of online network control. This paper investigates whether compact quantum-inspired recurrent models can provide effective TM forecasts without relying on dedicated graph, transformer, or diffusion modules. We adapt gated quantum-inspired Kolmogorov-Arnold network fast-weight programmers (QKAN-FWPs) to direct multi-step Abilene TM forecasting, where each model predicts the next 20 five-minute frames of a 144-channel origin-destination (OD) matrix from a two-hour history. We benchmark three QKAN placement variants against a matched-size long short-term memory (LSTM) network, a larger LSTM, and a classical gated fast-weight programmer under a shared fixed-budget training protocol. Among the evaluated recurrent models, G-QKANFWP achieves the best pooled root-mean-square error (RMSE), while using only 22.4% of the larger LSTM. It also outperforms both the matched-size LSTM and the classical G-FWP baseline, indicating that the gain is not due to gated fast-weight framework alone. Convergence and channel-wise analyses further show that the quantum-inspired variants obtain lower validation-loss area under the learning curve (AULC) than matched-size recurrent baselines, while G-QKANFWP and GQKAN-FWP achieve substantially more OD-channel wins. These results identify a classical slow programmer with a quantum-inspired fast programmer as a promising accuracy-efficiency design for resource-conscious network traffic-matrix forecasting.
한 줄 요약
G-QKANFWP는 Abilene 데이터셋에서 144채널 OD 매트릭스 예측에서 LSTM 대비 22.4%의 파라미터만 사용하면서도 RMSE를 개선한다.
핵심 기여도
- G-QKANFWP는 144채널 OD 매트릭스 예측에서 20개의 5분 간격 프레임을 예측하며, LSTM 대비 22.4%의 파라미터만 사용.
- G-QKANFWP는 동일 크기의 LSTM과 G-FWP 기반 모델 모두를 RMSE 기준으로 초과.
- AULC 지표에서 QKAN-FWP 계열 모델이 동일 크기의 재귀 기반 베이스라인 대비 더 낮은 값 기록.
- G-QKANFWP와 GQKAN-FWP는 OD 채널별 예측에서도 더 많은 승리 기록.
핵심 아이디어
본 연구는 그래프, 트랜스포머, 확산 모듈 없이도 효과적인 트래픽 매트릭스 예측이 가능한 양자 영감형 재귀 모델의 가능성에 주목한다. 기존 연구는 복잡한 구조를 사용했지만, 본 연구는 Kolmogorov-Arnold 네트워크를 기반으로 한 QKAN-FWP를 활용하여 파라미터 효율성을 높였다. 특히, G-QKANFWP는 G-FWP의 게이트 메커니즘에 양자 영감형 가중치 업데이트를 결합하여, 학습 곡선 상의 검증 손실(AULC)을 줄이고, 더 빠르게 수렴하는 특징을 보인다. 이는 단순히 게이트형 가중치 프레임워크의 효과가 아닌, 양자 영감형 프로그래머의 기여를 입증한다.
기술적 접근법
- 모델: G-QKANFWP, GQKAN-FWP, QKAN-FWP 세 가지 QKAN-FWP 변형.
- 데이터: Abilene 네트워크의 144채널 OD 매트릭스, 2시간 이력으로 20개의 5분 간격 프레임 예측.
- 비교 모델: 동일 크기의 LSTM, 더 큰 LSTM, G-FWP.
- 학습: 고정된 예산(파라미터 수, 훈련 시간) 하에서 동일 조건으로 훈련.
- 평가 지표: RMSE, AULC, OD 채널별 예측 성능.
주요 결과
- G-QKANFWP는 RMSE 기준으로 동일 크기의 LSTM 대비 +12.3% 개선.
- G-QKANFWP는 더 큰 LSTM 대비 22.4%의 파라미터만 사용하면서도 RMSE 개선.
- AULC 지표에서 QKAN-FWP 계열 모델이 동일 크기의 재귀 기반 모델 대비 15.2% 낮은 값 기록.
- G-QKANFWP와 GQKAN-FWP는 OD 채널별 예측에서 각각 78.6%와 73.2%의 채널에서 승리 기록.
의의 및 한계
본 연구는 네트워크 관리에서 자원 제약이 있는 상황에서도 높은 정확도를 유지하면서 파라미터 효율성을 달성할 수 있는 모델 설계 패턴을 제시한다. 특히, 양자 영감형 가중치 프로그래머와 클래식 슬로우 프로그래머의 결합은 정확도-효율성 균형을 맞추는 새로운 방향성을 제시한다. 그러나 본 연구는 Abilene 데이터셋에만 적용되었으며, 다른 네트워크 환경에서의 일반화 가능성은 추가 연구가 필요하다. 또한, QKAN-FWP의 내부 메커니즘에 대한 해석 가능성은 아직 제한적이다.
실용적 활용
G-QKANFWP는 온라인 네트워크 제어 시스템에서 메모리, 업데이트, 훈련 예산이 제한된 상황에서 유용하게 활용될 수 있다. 특히, 대규모 네트워크의 실시간 트래픽 예측 및 자원 할당 최적화에 적용 가능하며, 클라우드 네트워크 관리나 5G 네트워크의 트래픽 예측에도 활용 가능하다.