使用指数模型函数的 Python 约束分位数回归——这可能吗？

我到处搜索如何在 Python 中完成此操作，但到目前为止都没有运气。

我有一个简单的 x-y 数据集，如下所示：

x = [1.0,2.0,3.0,4.0,5.0,6.0,7.0,8.0,9.0,10.0,11.0,12.0]
y = [125.0,100.0,80.0,77.0,65.0,40.0,55.0,52.0,33.0,30.0,31.0,20.0]

我想使用分位数回归来拟合数据，这样我就可以使用指数函数获得所需分位数输入（0.1、0.5、0.9 等）的最佳拟合参数（A 和 B）：

  y = A*e**(Bx)

此外，我还希望能够对 A 和 B 的值应用约束，其中： 100

我查看了 StatsModels 分位数回归包 (https://www.statsmodels.org/dev/examples/notebooks/generated/quantile_regression.html)，但所有解决方案和示例都集中在简单的线性问题上 - 没有一个具有指数模型函数。

Scipy.optimize.curve_fit 可以处理指数模型函数 (https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.curve_fit.html)，但它使用最小二乘优化并且不是分位数回归。

Python 中是否有另一个包可以使用指数模型进行分位数回归？或者有没有办法改变指数问题以适应 StatsModels Quantile Regression 包的能力？

提前致谢。