[发明专利]数据预测方法、装置、存储介质及电子设备

说明书

本申请实施例公开了一种数据预测方法、装置、存储介质及电子设备。该方法包括：获取样本集，并将样本集中的样本标签进行归一化处理，从样本集中抽取训练集以及测试集，基于训练集对量子变分回归模型进行训练，将测试集输入至训练后的量子变分回归模型中，以输出预测值，根据预测值以及归一化处理后的样本标签，计算真实预测值。本申请实施例可以利用量子算法提升回归任务的计算精度，填补了量子算法在机器学习回归任务中的空白，并且提升回归模型的预测精准度。

技术领域

本申请涉及计算机技术领域，具体涉及一种数据预测方法、装置、存储介质及电子设备。

背景技术

回归任务是人工智能领域中重要的组成部分，回归模型在实际的各类场景中都发挥着重要作用。回归模型是一种预测性的建模技术，它研究的是因变量(目标)和自变量(预测器)之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。

申请人发现，现有的经典机器学习算法在预测精确度上存在一定的局限性，尤其是在大数据背景下其运算性能也逐渐达到瓶颈。虽然量子计算方式相比经典计算方式有着显著的优越性，但从目前的中等量子比特规模且带有噪声的量子计算机硬件出发，许多经典的量子算法由于所使用的量子比特和量子逻辑门较多，导致算法的误差较大甚至根本无法在现有的量子计算机中实现，导致量子算法在回归任务的应用上存在较大的空白。

发明内容

本申请实施例提供一种数据预测方法、装置、存储介质及电子设备，可以利用量子算法提升回归任务的计算精度，从而提升回归模型的预测精准度。

本申请实施例提供了一种数据预测方法，包括：

获取样本集，并将所述样本集中的样本标签进行归一化处理；

从样本集中抽取训练集以及测试集，基于所述训练集对量子变分回归模型进行训练；

将所述测试集输入至训练后的量子变分回归模型中，以输出预测值；

根据所述预测值以及所述归一化处理后的样本标签，计算真实预测值。

在一实施例中，基于所述训练集对量子变分回归模型进行训练的步骤，包括：

在量子寄存器上创建两个量子比特，并置为0，再通过经典-量子转换电路将训练数据特征值转换为量子叠加态的概率幅值，处理公式为：

其中，α1、α2和α3为Ry逻辑门的相角，a，b，c，d为输入的经典数据，且为实数。

在一实施例中，所述方法还包括：

通过量子先验电路对经典-量子转换电路得到的量子叠加态进行处理，处理公式为：

其中：

在一实施例中，所述方法还包括：

将所述经典-量子转换电路与所述量子先验电路相结合，以得到量子变分回归模型；

通过梯度下降算法调节所述量子先验电路中的参数θ，计算损失函数的最小值，以完成所述量子变分回归模型的训练，其中所述损失函数的计算公式为：

其中n表示输入数据的总数，y_true*代表真实值的归一化值，y_pred表示量子变分回归模型电路所输出的预测值。

在一实施例中，将所述测试集输入至训练后的量子变分回归模型中，以输出预测值的步骤，包括：