Prediction-based sign placement using QA sampling

doi:10.1038/s41598-026-68107-3

Prediction-based sign placement using QA sampling

2026-08-23

0

OA

AI

DOI：10.1038/s41598-026-68107-3

原文链接

查看原文

摘要

En 中文

我们提出了一种利用量子退火（QA）进行行人流预测和标志放置的工作流程，其中QA并非作为优化器，而是作为个体轨迹的采样器。为从稀疏测量中重建隐含的群体动态，我们构建了一个无约束二次二进制优化（QUBO）模型，其中能量景观编码了物理有效性（唯一性）和转换偏好。通过将退火器视为概率采样器，我们生成了一组多样化的可行轨迹，这些轨迹与从周期性计数得出的时变转换偏好一致。聚合这些微观样本得到概率宏观流预测，进而直接用于排序候选路径并指导临时引导标志的放置。我们使用模拟量子退火（SQA）和物理D-Wave退火器评估该方法。SQA结果验证了模型的合理性，合理一致地再现了经验性拥堵模式，并确认QUBO表述正确捕获了群体动态。相比之下，硬件QA表现出高达约95%的约束违反率。关键在于，我们发现这些违反发生在链断裂分数为零的情况下，表明其源于硬件有效动态范围的限制而非连接性故障。尽管修复后的QA样本在观测与重建比例间的聚合均方根误差（RMSE）数值上接近SQA基准，但所得流结构在空间上是不连贯的。这种近似的RMSE掩盖了定性上的崩溃，源于随机修复过程在统计上匹配边缘密度的同时破坏了QUBO转换偏好所设计的连贯流结构。在相同QUBO上，经典并行退火采样器几乎完美地满足约束（违反率$$<1\%$$），且RMSE略低于SQA，表明所观察到的可行性差距是硬件特有的而非表述问题。我们的结果表明，仅增加惩罚强度因硬件动态范围限制而不足够，反而需要全面重新校准惩罚景观。

Prediction-based sign placement using QA sampling

摘要

AI总结

期刊

机构

引用论文