降水予測のための混合モデルにおけるハイブリッド量子LSTMのベイズ最適化

要約 降水予測は気象研究において重要な応用があります。正確な予測は、洪水の影響を軽減し、作物の植え付け計画を最適化し、水資源を合理的に配分し、交通安全を確保するために非常に重要です。しかし、降水に影響を与える要因は複雑で非線形であり、時空間的変動があるため、降雨予測は極めて困難です。これらの課題に応えるため、本論文では、時間畳み込みネットワーク、量子長短期記憶ネットワーク（QLSTM）、およびランダムフォレスト回帰（RFR）に基づいたハイブリッドモデルを提案し、より正確な降雨予測を実現します。モデルのハイパーパラメータは、ベイズ最適化アルゴリズムを使用して最良のパフォーマンスを得るように最適化されます。シアトルとウクライナの気象データセットに対して実験を行い、結果は平均絶対誤差（MAE）、二乗平均平方根誤差（RMSE）、およびバイアス評価指標を使用して検証されます。結果は、提案されたハイブリッドモデルがMAE、RMSE、およびバイアスの観点でRFR、サポートベクターマシン、K近傍法、LSTM、およびQLSTMなどの従来のモデルより優れていることを示しています。提案されたモデルは、それぞれ1.89％のMAE、2.65％のRMSE、および31％のバイアスの改善を達成します。これらの結果は、提案されたハイブリッドモデルの予測精度と堅牢性の向上を示しています。この研究は気象予測への新しいアプローチを提供し、量子コンピューティングと従来の機械学習技術を組み合わせる可能性を示します。