Quantum Cognitive Internet of Things Framework for Energy Consumption Prediction and Optimization in Smart Home
Notice bibliographique
Résumé
In recent years, the electricity consumption in residential sector has witnessed a significant increase due to the population growth on one hand and the widespread adoption of electrical appliances on the other hand.Hence, finding solutions to decrease electricity consumption has become a matter of great interest for researchers.To address this challenge, we propose a Quantum Cognitive IoT (QCIoT) Framework that integrates quantum deep learning with edge computing to optimize energy use in smart homes.Our key innovation is a hybrid Quantum Long Short-Term Memory (QLSTM) model, which enhances traditional LSTM networks by leveraging quantum circuits for improved timeseries forecasting.Specifically, QLSTM employs parameterized quantum gates to process temporal dependencies more efficiently, enabling higher accuracy than classical approaches.We evaluate quantum-enhanced LSTMs (QLSTMs) against classical LSTM baselines on multivariate time-series forecasting.Experimental results demonstrate that QLSTMs significantly outperform classical counterparts, with the multivariate QLSTM (MQLSTM) achieving a 25.8% reduction in RMSE and improving explanatory power by 78.3%.While QLSTMs exhibit slightly slower convergence, they deliver superior generalization, evidenced by lower test loss and stable training dynamics.These advantages stem from quantum parallelism, entanglement and optimized state representation, which enable superior handling of noisy, high-dimensional smart home data.By integrating quantum-enhanced forecasting with edge-based IoT systems, our framework offers a scalable solution for real-time energy management in smart homes.This work bridges quantum computing and smart infrastructure, demonstrating practical benefits for sustainability and energy savings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».