摘要

本文介绍了一种创新的混合经典-量子框架TriQXNet，用于从太阳风数据预测Dst指数，并结合不确定性量化。Dst指数是衡量地磁暴强度的重要指标，对GPS、卫星通信和电力系统等关键基础设施具有潜在的重大影响。TriQXNet通过集成经典和量子计算、共形预测和可解释AI（XAI），在混合神经网络架构中实现了高精度的Dst指数预测。该模型利用NASA的ACE和NOAA的DSCOVR卫星的实时太阳风数据，提供当前小时（t0）和下一小时（t+1）的Dst指数预测，有助于减轻地磁暴的负面影响。TriQXNet在性能上超越了13种最先进的混合深度学习模型，并通过10折交叉验证配对t检验确认了其优越性能。此外，通过实施共形预测技术，模型提供了预测的不确定性量化，增强了操作决策的可靠性。XAI方法如ShapTime和排列特征重要性也被纳入，以提高模型的可解释性。

原理

TriQXNet的核心在于其混合经典-量子神经网络架构，该架构通过三个并行通道处理预处理的太阳风数据，以预测Dst指数。每个通道设计用于捕捉数据的不同方面，从而显著提高预测的鲁棒性和准确性。具体来说，TriQXNet包括一个经典修改的Conv1DTimeDistributedNet、一个经典修改的CNN+BiLSTM+TimeDistributedDense和一个“装扮”量子电路。量子电路通过变分量子电路和两个经典层的结合，将输入特征编码到量子位上，并执行量子操作以提取有价值的信息。这种结合利用了量子计算在处理大规模实时数据流中的潜在优势，特别是在噪声和传感器故障的情况下。

流程

TriQXNet的工作流程从数据收集开始，利用NASA的ACE和NOAA的DSCOVR卫星收集太阳风数据。数据经过包括特征选择、归一化、聚合和插补在内的全面预处理管道，确保高质量的输入数据。预处理后的数据通过三个并行通道进行处理：第一个通道是一个经典修改的Conv1DTimeDistributedNet，第二个通道是一个经典修改的CNN+BiLSTM+TimeDistributedDense，第三个通道是一个“装扮”量子电路。每个通道独立处理数据，然后输出被整合以生成最终的Dst指数预测。模型不仅预测当前小时的Dst指数（t0），还预测下一小时的Dst指数（t+1），提供关键的提前通知，以减少地磁暴的负面影响。

应用

TriQXNet的应用前景广阔，特别是在空间天气预报领域。由于其高精度和不确定性量化能力，该模型可用于卫星运营商、电力网络运营商和航空安全等多个依赖准确空间天气预报的行业。此外，TriQXNet的成功应用展示了经典-量子混合模型在提高空间天气预测能力方面的潜力，为未来在更复杂环境中的应用打开了大门。随着数据集的扩展和模型架构的进一步探索，TriQXNet有望成为空间天气预报领域的标准工具，保护关键技术基础设施并减少地磁暴的经济影响。