Otimização bayesiana de LSTM quântico híbrido em um modelo misto para previsão de precipitação

Resumo A previsão de precipitação tem aplicações importantes na pesquisa meteorológica. Previsões precisas são de grande importância para reduzir o impacto de enchentes, otimizar planos de plantio, alocar recursos hídricos de forma racional e garantir a segurança do tráfego. No entanto, os fatores que afetam a precipitação são complexos e não lineares, apresentando variabilidade espaço-temporal, tornando a previsão de chuvas extremamente desafiadora. Em resposta a esses desafios, este artigo propõe um modelo híbrido baseado em rede neural convolucional temporal, rede de memória de longo prazo e curto prazo quântica (QLSTM) e regressão de floresta aleatória (RFR) para alcançar previsões de chuvas mais precisas. Os hiperparâmetros do modelo são otimizados usando o algoritmo de otimização bayesiana para obter o melhor desempenho. Experimentos são realizados em conjuntos de dados meteorológicos de Seattle e Ucrânia, e os resultados são verificados usando erro absoluto médio (MAE), raiz do erro quadrático médio (RMSE) e indicadores de avaliação de viés. Os resultados mostram que o modelo híbrido proposto supera modelos tradicionais como RFR, máquina de vetor de suporte, K-vizinhos mais próximos, LSTM e QLSTM em termos de MAE, RMSE e viés. O modelo proposto alcança melhorias de 1,89 % de MAE, 2,65 % de RMSE e 31 % de viés, respectivamente. Esses resultados destacam a precisão e robustez aprimoradas do modelo híbrido proposto. Esta pesquisa fornece uma nova abordagem para previsão do tempo e demonstra o potencial de combinar computação quântica com técnicas tradicionais de aprendizado de máquina.