Automatic Electrical Meter Forecasting : a Benchmarking Between Quantum Machine Learning and Classical Machine learning
Fecha
2024
Autores
Montes Castro, Jonathan Javier
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad EAFIT
Resumen
This work benchmarks Quantum Long Short-Term Memory (QLSTM) against classical LSTM networks using electrical meter data (KWh) from EPM, a public utility company, clients. The results show that QLSTM models learn in half the epochs compared to LSTM, as measured by the MSE cost function, while maintaining strong performance with respect to bias (Mean Absolute Percentage Error, MAPE) and variance (R^2) metrics. QLSTM leverages variational quantum circuits (VQC) to replace traditional LSTM cell gates, demonstrating the potential of quantum-hybrid algorithms in forecasting tasks. This study highlights the efficiency and accuracy advantages of quantum machine learning applied to real-world data from EPM’s electrical metering services.
Descripción
Este trabajo compara la memoria cuántica a corto y largo plazo (QLSTM) con las redes LSTM clásicas utilizando datos de medidores eléctricos (KWh) de clientes de EPM, una empresa de servicios públicos. Los resultados muestran que los modelos QLSTM aprenden en la mitad de las épocas en comparación con LSTM, según lo medido por la función de costo MSE, al mismo tiempo que mantienen un sólido desempeño con respecto a las métricas de sesgo (error porcentual absoluto medio, MAPE) y varianza (R^2). QLSTM aprovecha los circuitos cuánticos variacionales (VQC) para reemplazar las compuertas de celda LSTM tradicionales, lo que demuestra el potencial de los algoritmos cuánticos híbridos en las tareas de pronóstico. Este estudio destaca las ventajas de eficiencia y precisión del aprendizaje automático cuántico aplicado a datos del mundo real de los servicios de medición eléctrica de EPM.