[发明专利]一种基于联邦学习的交通流量预测方法

权利要求书

1.一种基于联邦学习的交通流量预测方法，其特征在于采用差分隐私技术对梯度信息加噪的方法，基于长短期记忆网络LSTM构建流量预测模型，其模型构建和交通流量的预测具体包括以下步骤：

步骤A：系统初始化

中心服务器发送建模任务，寻求参与客户端，各客户端根据自身需求进入联合建模过程，并接收中心服务器发来的初始参数；

步骤B：客户端对本地数据进行预处理

客户端对本地交通流量数据进行统计，获得一连串交通流量时序数据，将其划分为训练数据集和测试数据集；

步骤C：局部计算

客户端初始化系统参数后，在本地将己方数据输入本地LSTM模型进行局部计算，并将本地局部计算所得梯度脱敏后上传，以用于全局模型的一次更新；

步骤D：参数聚合

参与训练的所有客户端在完成一次迭代后与中心服务器进行通信，并将训练得到的梯度信息发送给服务端，中心服务器对这些计算值进行聚合操作；

步骤E：模型更新

中心服务器根据聚合后的结果对全局模型进行一次更新，并将更新后的模型返回给参与建模的数据持有方更新本地模型，开启下一步局部计算，同时评估更新后的模型性能，当性能足够好时，训练终止，结束联合建模，并将建立好的全局模型保存在中心服务器端，作为流量预测模型用于进行交通流量的预测或分类工作。

2.根据权利要求1所述的基于联邦学习的交通流量预测的方案，其特征在于所述步骤A具体包括下述步骤：

步骤A1：中心服务器发送建模任务，寻求参与客户端；

步骤A2：客户端收到建模任务后，可选择参加或拒绝，选择参加建模任务的客户端达成协议后，各客户端登录云，进入联合建模过程；

步骤A3：由中心服务器向各客户端发布初始参数，各客户端接收初始参数。

3.根据权利要求1所述的基于联邦学习的交通流量预测的方案，其特征在于所述步骤B具体包括下述步骤：

步骤B1：参与联合建模的客户端的本地数据对使用不同传感器收集到的数据，并对每个地区每个时间间隔的流量值进行统计，得到一连串交通流量时序数据；

步骤B2：将交通流量时序数据划分为训练数据集和测试数据集；

步骤B3：对交通流量数据进行归一化处理；

步骤B4：引入滑动窗口的概念，将原始数据集转化为符合深度学习处理的有监督学习的数据，即“输入向量-输出标签”格式，便于后期输入到模型中进行训练。

4.根据权利要求1所述的基于联邦学习的交通流量预测的方案，其特征在于所述步骤C中的 LSTM 模型包括：LSTM层的特征数为12、输出特征数为64、网络层数为2，即整个网络为12-64-64，然后在两个LSTM层后添加一个输入为64，输出层为1的全连接层。

5.根据权利要求1所述的基于联邦学习的交通流量预测的方案，其特征在于所述步骤D具体包括下述步骤：

步骤D1：参与训练的所有客户端在完成一次迭代后与中心服务器进行通信，中心服务器以概率q进行随机采样，选择部分客户端进行下一步操作；

步骤D2：中心服务器接受被选的客户端发来的梯度信息进行参数聚合，并在最后平均时加入噪声，通过差分隐私技术来保护数据隐私。