Ítem
Acceso Abierto
Diseño e implementación de un modelo de predicción de ventas con inteligencia artificial y computación cuántica
Título de la revista
Autores
Castrillón Calderón, Wilmer Emiro
Fecha
2026-10-08
Directores
Avilán Vargas, Nicolás Guillermo
ISSN de la revista
Título del volumen
Editor
Universidad del Rosario
Buscar en:
Métricas alternativas
Resumen
Este trabajo presenta el diseño e implementación de modelos híbridos clásico-cuánticos para la predicción de ventas mediante la integración de redes neuronales LSTM y circuitos cuánticos, con el propósito de evaluar el impacto de la incorporación de procesamiento cuántico en tareas de predicción de series temporales, se utilizaron datos reales de ventas obtenidos de la plataforma Kaggle, planteando el problema como una tarea de predicción de ventas diarias a partir del comportamiento histórico de la serie. El proyecto se desarrolló en varias etapas que incluyeron el preprocesamiento de los datos, el diseño e implementación de un modelo LSTM clásico, la incorporación de tres arquitecturas híbridas basadas en Variational Quantum Circuits (VQC), Residual Hybrid y Quantum Long Short-Term Memory (QLSTM), y la comparación de su desempeño. Los modelos fueron implementados utilizando PyTorch y PennyLane, entrenados sobre los mismos conjuntos de datos y evaluados mediante las métricas de R cuadrado y el coeficiente de correlación de Pearson. Adicionalmente, las arquitecturas VQC y Residual Hybrid fueron ejecutadas en hardware cuántico de IBM, mientras que el modelo QLSTM fue evaluado mediante simulaciones con ruido utilizando Qiskit Aer. Los resultados obtenidos muestran que los modelos híbridos clásico-cuánticos constituyen una alternativa para explorar la integración de computación cuántica en tareas de predicción de series temporales, en los experimentos realizados, la arquitectura QLSTM obtuvo el mejor desempeño en la mayoría de los productos evaluados, obteniendo mejores resultados que las arquitecturas VQC y Residual Hybrid.
Abstract
This work presents the design and implementation of hybrid classical-quantum models for sales forecasting through the integration of LSTM neural networks and quantum circuits. The purpose is to evaluate the impact of incorporating quantum processing into time-series forecasting tasks, utilizing real sales data obtained from the Kaggle platform and framing the problem as a daily sales prediction task based on the historical behavior of the series. The project was developed in several stages, which included data preprocessing, the design and implementation of a classical LSTM model, the incorporation of three hybrid architectures based on Variational Quantum Circuits (VQC), Residual Hybrid, and Quantum Long Short-Term Memory (QLSTM), and performance comparison. The models were implemented using PyTorch and PennyLane, trained on the same datasets, and evaluated using the R-squared score and the Pearson correlation coefficient. Additionally, the VQC and Residual Hybrid architectures were executed on IBM quantum hardware, whereas the QLSTM model was evaluated through noisy simulations using Qiskit Aer. The results obtained show that classical-quantum hybrid models constitute a viable alternative for exploring the integration of quantum computing into time series forecasting tasks. In the experiments conducted, the QLSTM architecture achieved the best performance across most of the evaluated products, outperforming both the VQC and Residual Hybrid architectures.
Palabras clave
Computación cuántica , Redes neuronales recurrentes , Redes neuronales híbridas , QLSTM , Series de tiempo , Predicción de series temporales
Keywords
Quantum Computing , Recurrent neural networks , Hybrid Neural Networks , QLSTM , Time series , Time Series Forecasting
