적응형 비국소 변수 기반 다변량 시계열 예측

Multivariate Time Series Forecasting with Adaptive Non-Local Observables

다변량 시계열 예측(MTSF)은 과거 데이터를 기반으로 여러 변수의 미래 값을 예측하는 작업입니다. 양자 신경망이 이 분야에 점점 더 많이 활용되고 있지만, 일반적으로 고정된 국소 측정값에 의존하여 표현력이 제한되는 경향이 있습니다. 본 연구에서는 변분 양자 회로와 적응형 비국소 변수(ANO)를 통합한 간단한 하이브리드 모델인 MTSF-ANO를 제안합니다. 네 가지 ETT 데이터셋에서 MTSF-ANO는 20가지 설정 중 17가지에서 평균 제곱 오차(MSE) 기준으로 1위 또는 2위를 차지하며, 가장 강력한 기준 모델보다 ETTh1 데이터셋에서 최대 20%까지 성능이 향상되었습니다. 또한 모든 설정에서 고정된 국소 변수를 사용하는 기존 모델보다 우수한 성능을 보이거나 동등한 수준의 성능을 달성했습니다. 추가 분석 결과, 양자 회로 설계와 ANO의 비국소성이 성능에 미치는 영향을 확인했습니다. 이러한 결과는 ANO가 양자 시계열 예측 분야에서 유망한 연구 방향임을 시사합니다.

Multivariate time series forecasting (MTSF) predicts future values of multiple variables from historical data. While quantum neural networks have been increasingly applied to this task, they typically rely on fixed local measurements, which restrict their expressivity. We propose MTSF-ANO, a simple hybrid model for MTSF that integrates variational quantum circuits with adaptive non-local observables (ANO). On the four ETT datasets, MTSF-ANO ranks first or second in MSE in 17 of 20 settings, improving over the strongest baseline by up to 20% on ETTh1, and outperforms or matches its fixed local observable counterpart across all settings. Our ablations show how the quantum circuit design and ANO non-locality affect performance. These results suggest that ANO is a promising direction for quantum time series forecasting.