Automatic Electrical Meter Forecasting : a Benchmarking Between Quantum Machine Learning and Classical Machine learning

Montes Castro, Jonathan Javier

Automatic Electrical Meter Forecasting : a Benchmarking Between Quantum Machine Learning and Classical Machine learning

dc.contributor.advisor	Lalinde Pulido, Juan Guillermo
dc.contributor.advisor	Sosa-Sierra, Daniel
dc.contributor.author	Montes Castro, Jonathan Javier
dc.coverage.spatial	Medellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degrees	eng
dc.creator.degree	Magíster en Ciencias en Ciencias de los Datos y Analítica
dc.creator.email	jmontesc@eafit.edu.co
dc.date.accessioned	2025-02-03T19:53:21Z
dc.date.available	2025-02-03T19:53:21Z
dc.date.issued	2024
dc.description	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.
dc.description.abstract	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.
dc.identifier.uri	https://hdl.handle.net/10784/35015
dc.language.iso	spa	spa
dc.publisher	Universidad EAFIT	spa
dc.publisher.department	Escuela de Ciencias Aplicadas e Ingeniería. Área Computación y Analítica	spa
dc.publisher.place	Medellín
dc.publisher.program	Maestría en Ciencias de los Datos y Analítica	spa
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)	spa
dc.rights.accessrights	info:eu-repo/semantics/openAccess	eng
dc.rights.local	Acceso abierto	spa
dc.rights.uri	http://creativecommons.org/licenses/by-nc/4.0/deed.es
dc.subject	Aprendizaje automático cuántico
dc.subject	Aprendizaje automático
dc.subject	Computación cuántica
dc.subject	Circuitos cuánticos
dc.subject	Variacionales
dc.subject	QLSTM
dc.subject	Codificación en amplitud
dc.subject.keyword	Quantum Machine Learning
dc.subject.keyword	Machine Learning
dc.subject.keyword	Quantum Computation
dc.subject.keyword	Variational Quantum Circuits
dc.subject.keyword	Amplitude Encoding
dc.subject.lemb	CIENCIA DE LA INFORMACIÓN
dc.subject.lemb	APRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL)
dc.subject.lemb	CIRCUITOS ELÉCTRICOS
dc.title	Automatic Electrical Meter Forecasting : a Benchmarking Between Quantum Machine Learning and Classical Machine learning
dc.type	masterThesis	eng
dc.type	info:eu-repo/semantics/masterThesis	eng
dc.type.hasVersion	acceptedVersion	eng
dc.type.local	Tesis de Maestría	spa
dc.type.spa	Artículo