这项由台湾大学物理系暨理论物理中心与台湾国速网络与计中心（NCHC）联开展的研究，于2026年6月26日以预印本形式公开发布，论文编号为arXiv:2606.27821，有兴趣入了解的读者可以通过该编号在arXiv平台上查阅完整论文。

、网络流量预测：张看不见的"城市交通图"

每天，全球数以亿计的数据包在互联网骨干线路上川流不息。对于运营大型网络的工程师来说，他们面临的挑战有点像城市交通管理者：不仅要实时掌握每条道路上的车流量，还要提前预测接下来两个小时哪里会堵车、哪里会空旷，以便提前调整信号灯、规划绕行路线。

在互联网世界里，扮演这张"城市交通图"角的，是种叫做"流量矩阵"（TrafficMatrix，TM）的数据结构。流量矩阵记录的是网络中每对"起点—终点"节点之间的流量需求，就像张表格，行是出发地，列是目的地，每个格子里的数字代表这条线路上正在流动的数据量。

对于骨干网络运营者而言，准确预测未来的流量矩阵，是做好容量规划、缓解拥塞、优化路由、应对故障的核心前提。这篇论文聚焦的正是这个问题：能否用个体积紧凑、参数少、训练成本低的模型，准确预测未来百分钟内整张流量矩阵的变化？

这个问题的难点在于，流量矩阵不是个简单的数字序列，而是144个"起点—终点"通道同时演变的复杂动态系统，每个通道之间还有相互关联。重要的是，在实际的网络控制场景中，模型往往要在资源度有限的边缘设备上运行，不能依赖大量参数、大量显存和漫长的训练周期。

正是在这个背景下，研究团队提出了个核心问题：量子启发的紧凑型循环模型，能否在不借助门图经网络、Transformer或扩散模型的情况下，有完成整张流量矩阵的预测？

二、"快权重程序员"：给经网络加套可以动态重写的临时记忆

要理解这篇论文的核心技术，先来理解个有趣的概念——"快权重程序员"（FastWeightProgrammer，FWP）。

普通的经网络，比如我们熟知的LSTM（长短期记忆网络），处理时间序列的式有点像个人靠"隐藏状态"来记住历史——每读入段新数据，就新下自己脑子里的记忆状态，再用这个状态来预测下步。这套机制很有，但记忆容量有限，而且所有的"知识"都锁定在固定的网络权重里。

快权重程序员的思路则不同。它把经网络分成两条通道：条叫"慢程序员"，负责读取当前输入，动态生成套临时的小型网络参数；另条叫"快程序员"，用这套临时参数来生成当前的输出。慢程序员就像个会根据当前情况即兴调整策略的演，快程序员则是随时听从指挥、灵活变换角的演员。时间信息不再只存储在隐藏状态里，而是编码在这套动态新的"临时参数"中。

在门控版本（GatedFWP）中河源保温护角专用胶厂，还加入了个"门"的机制——个标量值，决定当前临时参数应该多保留上时刻的版本，还是多采纳新生成的版本。这个门就像个混音台上的拉杆，在稳定和适应之间做出实时调节。

这套机制本身已经很有趣，但研究团队走得远：他们在这个框架里引入了"量子启发的柯尔莫哥洛夫—阿诺德网络"（Quantum-inspiredKolmogorov-ArnoldNetwork，QKAN）模块。

三、量子启发：不需要真正的量子计机，却借用了量子电路的数学结构

"量子启发"这个词听起来很秘，但实际上它的意思是：借用量子计中某些数学结构的设计思想，在普通计机上实现紧凑、表达能力强的非线变换，并不需要真正的量子硬件。

具体来说，研究团队使用的QKAN模块，是将量子变分激活函数嵌入柯尔莫哥洛夫—阿诺德网络（KAN）中。KAN本身是种与传统经网络不同的架构：传统经网络把非线激活函数固定在经元节点上，而KAN则把可学习的非线函数放在网络的连接边上，这让它在参数较少的情况下就能拟复杂的函数关系。而QKAN进步将这些边上的激活函数替换为量子变分电路模拟出的非线变换，从而在少参数下实现很强的表达能力。

在实际模型中，研究团队使用了种叫做HQKAN（混量子KAN）的结构——它由三部分组成：个经典编码器先把输入压缩成低维特征，再交给QKAN模块做非线变换，后由个经典解码器生成输出。这套编码—变换—解码的流程，就像把段杂乱的音频先过滤噪声、再提取旋律、后重新成质量声音样。

研究团队把这套HQKAN模块与门控快权重程序员结，设计出了三种不同的变体，用于探索在什么位置放入量子启发模块果好。

四、三种变体，三个问题：量子启发放哪里有用？

研究团队设计了三种不同的"量子启发门控快权重程序员"变体，每种变体对应个具体的设计问题。

种叫G-QKANFWP，它的结构是：慢程序员保持经典设计，负责生成新信号；快程序员则使用HQKAN模块来生成终输出。这种设计的核心问题是：当负责生成新的那侧保持简单时，把量子启发的非线变换放在负责"读出"的快程序员端，是否有？

二种叫GQKAN-FWP，结构恰好相反：慢程序员使用HQKAN模块来生成动态参数新，快程序员则保持经典线设计。这种设计探索的是：量子启发模块放在"生成记忆"的侧是否有价值？

三种叫GQKAN-QKANFWP，慢程序员和快程序员两侧都使用HQKAN模块。这是参数量小的变体，探索的是：在双侧都使用量子启发压缩的情况下，整体预测能力是否还能保持？

与这三种变体对比的基线模型有三个。G-FWP是经典门控快权重程序员河源保温护角专用胶厂，去掉了所有HQKAN成分，用于区分"门控快权重框架本身的贡献"与"量子启发模块的贡献"。LSTM-S是参数量相近的小型LSTM，用于评估在相同规模下量子启发模型是否优秀。LSTM-L是参数量大得多的LSTM，用于了解小模型与大模型之间的差距。

五、实验舞台：Abilene骨干网，张真实的互联网历史账单

实验用的数据来自美国的Abilene骨干网络，这是互联网早期的条重要科研网络。数据集包含了大量五分钟粒度的流量矩阵快照，被整理成48384帧，每帧是144维的向量，对应12个节点之间所有"起点—终点"组的流量数值。

在使用数据之前，研究团队对每帧数据做了种叫"帧归化"（FN-TM）的处理。具体来说，对于每帧里的每个OD通道数值，先找出这帧中144个通道里的小值和大值，然后用个特殊公式把每个数值映射到0到1之间——而且是反向映射，数值越大的原始流量，归化后的FN-TM值反而越小。这种处理式让模型关注的是"相对于同帧内部的流量分布"，而不是不同帧之间的对大小差异，适循环模型处理向量序列。

预测任务的设置是：每次输入过去24帧（两小时）的历史，要求模型次直接预测接下来20帧（百分钟）的流量矩阵。这是"直接多步预测"而非"滚动自回归预测"，意味着模型在次前向计中就要输出所有20个时间步的结果，对模型的整体时序建模能力要求。

数据按时间顺序划分为训练集（70）、验证集（15）和测试集（15）。所有模型在相同的条件下训练：固定50个训练轮次、学习率0.001、Adam优化器、均误差损失，并用5个不同的随机种子重复实验以确保结论稳健。

六、评估标准：不只看终成绩，还看学习过程

为了评价模型能，研究团队设计了三类评估指标。

类是"汇总均根误差"（PooledRMSE），把所有测试窗口、所有预测时间步、所有144个OD通道上的预测误差统汇总后开根号。这是综的准确指标，万能胶生产厂家相当于给模型个总分。此外，研究团队还单报告了1步（5分钟后）、10步（50分钟后）和20步（100分钟后）的RMSE，用于观察模型在不同预测距离上的表现差异。

二类是"OD通道胜出数"，对每个OD通道单计各模型的平均误差，把这个通道的胜利归属给误差小的那个模型。144个通道里，每个模型赢了多少个，就是它的"通道胜出数"。这个指标揭示的是模型的"局部优势"：个汇总分数好的模型，是靠在少数几个流量通道上表现突出，还是在大量通道上都有稳定的局部优势？

三类是"验证损失曲线下面积"（Val-lossAULC），用梯形积分法计50个训练轮次内验证损失的平均水平。这个指标衡量的是模型在固定训练预内的收敛率：两个模型终误差相近，但其中个早就下降到低水平并稳定维持，它的AULC就低，说明它在固定预下学习得。

七、实验结果：小而准的量子启发模型，真的赢了

实验结果相当清晰地呈现了几个层次的对比河源保温护角专用胶厂。

在汇总RMSE上，G-QKANFWP以0.06897的成绩拿下了所有参评模型中的低误差。与它参数量相近的LSTM-S得分是0.07155，差距约为3.6。引人注目的是，参数量比G-QKANFWP多出将近四倍的LSTM-L，得分是0.06920，反而略于G-QKANFWP。换句话说，G-QKANFWP用LSTM-L仅22.4的参数，取得了略优于LSTM-L的整体预测精度。

经典G-FWP的得分是0.07038，介于LSTM-S和G-QKANFWP之间。这结果非常关键：它说明门控快权重框架本身确实比纯LSTM好，但量子启发的HQKAN模块带来了额外的、可测量的提升。也就是说，G-QKANFWP的优势不是单纯来自"门控快权重"这个框架，量子启发的非线激活函数在快程序员端发挥了真实的作用。

另外两个量子启发变体，GQKAN-FWP（0.07082）和GQKAN-QKANFWP（0.07117），也都优于LSTM-S，但不如G-QKANFWP。这表明HQKAN放置的位置很重要：在这个任务上，把它放在"快程序员读出端"（即G-QKANFWP的做法）比放在"慢程序员生成端"或"两端都放"果好。

在分步骤的预测精度上，G-QKANFWP在1步（5分钟预测）和20步（100分钟预测）上都是优的，在1步上比LSTM-L低约2.9的相对误差。LSTM-L在10步上略好些，但优势微小。这意味着G-QKANFWP并没有在所有时间步上对碾压LSTM-L，但整体的平衡和参数率优势是真实的。

在验证损失曲线面，三种量子启发变体的AULC都低于LSTM-S和G-FWP，其中G-QKANFWP的Val-lossAULC为0.00298，与LSTM-L（0.00299）基本持平。这说明量子启发模型不只是终误差低，在整个训练过程中它们都快收敛、早达到低误差水平，学习率。

在OD通道胜出数上，LSTM-L以52/144的成绩赢得多通道。但G-QKANFWP和GQKAN-FWP分别赢得33和39个通道，远多于LSTM-S和G-FWP各自的8个通道。值得提的是，GQKAN-FWP在通道胜出数上（39个）过了G-QKANFWP（33个），尽管它的汇总RMSE。这说明GQKAN-FWP可能在多个低流量、低影响的通道上表现较好，而G-QKANFWP则在影响汇总误差大的流量通道上表现优秀。

研究团队还用可视化的热力图对比了t+20步的预测矩阵和真实矩阵，展示了三种量子启发模型在整体矩阵结构上的预测质量，以及针对特定OD通道随时间变化的预测轨迹曲线。这些可视化结果与汇总数据相互印证，进步支持了上述结论。

八、局限与展望：这项研究告诉了我们什么，还没告诉我们什么

研究团队对这项工作的局限持非常坦诚的态度。这项研究刻意选择不加入图经网络、扩散模型或Transformer这类门针对空间结构的模块，目的是单评估量子启发快权重设计本身的价值。这使得研究结论非常聚焦，但也意味着这些模型并不是当前强的流量矩阵预测器——它们是在"紧凑循环模型"这个类别里做比较，而不是与所有已知法竞争。

所有模型共享同个固定学习率（0.001），这是有意为之的设计，目的是模拟固定训练预的现实场景，但也意味着不同模型可能在各自的优学习率下表现差异会有所变化。研究团队明确指出，未来需要对各模型的学习率敏感做细致的实验。

此外，所有实验结果都以FN-TM（帧归化）空间下的误差呈现，这与实际原始流量值之间存在层转换。面向真实部署的评估，还需要在原始流量尺度下进行验证，同时应测量模型在边缘设备或网络控制平台上的理延迟、内存占用和能耗，才能完整评估其实用价值。

研究团队也指出了个与之前相关工作中不致的现象：在之前对QKAN-FWP族的研究中，GQKAN-QKANFWP往往在多种异质任务上为稳定；但在这个Abilene整矩阵预测任务中，它的表现并不突出。这提示我们，HQKAN模块的优放置位置可能与任务的空间耦结构有关，值得进步研究。

下步自然的研究向，是把G-QKANFWP与门建模空间结构的图经网络或拓扑感知模块结，让循环快权重模块注于时序动态，让图模块注于OD通道间的空间依赖，两者分工协作，有望进步提升整体能。

归根结底，这项研究想回答的是个非常务实的问题：在资源受限的网络控制场景下，我们真的需要个庞大的模型才能准确预测流量矩阵吗？实验结果给出了个明确的否定答案——至少在循环模型这个类别里，个只有8000多个参数的量子启发紧凑模型，可以做到与参数量是它四倍多的大型LSTM旗鼓相当甚至略胜筹。这对边缘网络控制、云边协同等场景而言，是个很有价值的参考数据点。

当然，这并不是说量子启发模型就此成为流量预测的终答案。LSTM-L在通道胜出数上仍然占据优势，说明大的模型在某些局部细节上确实。但如果你的目标是在个严格的参数预和训练时间预内做出尽可能好的预测，G-QKANFWP目前看来是个值得认真考量的选择。

有兴趣入探究这项研究所有技术细节的读者，可以通过arXiv:2606.27821这个编号找到完整论文，或者追踪台湾大学与台湾国速网络与计中心在量子启发序列建模域的后续工作。

Q&A

Q1：流量矩阵预测和普通的网络流量预测有什么区别？

A：普通网络流量预测通常只关注单条链路或单个节点的流量变化，而流量矩阵预测要同时预测网络中所有起点—终点节点对之间的流量需求。以Abilene骨干网为例，有12个节点就意味着144个起点—终点组，每个都要同时预测，而且这些通道之间还相互关联，难度远于预测单条链路。

Q2：量子启发模型和真正的量子计有什么关系？

A：量子启发模型借鉴了量子电路的数学结构——比如量子变分激活函数的形式——但运行在普通的经典计机上，不需要任何量子硬件。它的优势在于用这种数学结构实现紧凑的非线变换，在参数数量很少的情况下就能具备较强的函数拟能力。可以理解为"借用量子数学语言，但不需要量子机器"。

Q3：G-QKANFWP模型在实际网络中能直接部署使用吗？

A：目前还不能直接用于生产环境。这项研究是在FN-TM归化空间下评估的，实际部署还需要在原始流量尺度上验证能，并测量在边缘设备上的理速度、内存占用和能耗。此外，研究只用了Abilene数据集，还需要在多网络数据上验证其泛化能力。研究本身像是项可行验证，为后续工程落地提供了理论依据。相关词条:罐体保温施工     异型材设备     锚索    玻璃棉    保温护角专用胶

奥力斯    保温护角专用胶批发    联系人：王经理    手机：13903175735（微信同号）    地址：河北省任丘市北辛庄乡南代河工业区

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定河源保温护角专用胶厂，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。