[发明专利]一种基于联邦学习的交通流量预测方法

说明书

本发明公开了一种基于联邦学习的交通流量预测方法，其特点是采用差分隐私技术对梯度信息加噪的方法，在客户端‑服务器架构的基础上构建基于长短期记忆网络LSTM的流量预测模型，具体包括：系统初始化、客户端对本地数据处理、局部计算、参数聚合和模型更新等步骤。本发明与现有技术相比具有通过将新兴的联邦学习系统与LSTM深度学习网络结合，打破了“数据孤岛”，通过一个不需要原始数据交换的局部训练模型，提供了可靠的数据隐私保护，在敌手已知大部分数据数据信息的情况下，针对单个用户进行数据保护，在数据集上关注了不同时间段流量值对预测结果的影响，实验结果表明，该算法能够达到理想的预测精准度。

技术领域

本发明涉及智能交通技术领域，尤其涉及一种基于联邦学习的交通流量预测方法。

背景技术

在智能交通系统中，交通流量预测对于缓解交通拥堵、控制交通灯、提高交通运行效率、便利人们日常出行有着重要的作用。交通流量预测就是利用历史交通流量数据来预测未来交通流量的趋势，从而提供交通流量信息。交通流量预测问题被视为成功部署智能交通系统的关键要素。在集中式机器学习交通流量预测方案中，通常需要公共机构和私人公司之间共享数据。这种合作关系扩展了提供实时交通流量预测、交通管理、汽车共享和个人旅行应用的公司的服务。尽管如此，人们往往忽视共享的数据可能包含敏感的私人信息，这会导致潜在的隐私泄露。

在过去的几十年中，关于交通流量预测方法的工作很多，但是只有少数研究在交通流量预测中注意到了车辆隐私问题。假名技术和k-匿名技术是在交通流量预测中保护车辆隐私的最广泛使用的方法。但是由于假名技术的不可追溯性，无法将某些假名归于某一辆车，因此统计数据是不可靠的。另外，通过上述方法获得的数据集还是可能被攻击者利用并将数据链接回个人。这意味着这些方法不能有效地保护车辆的隐私，因为攻击者可能越来越多地了解车辆的更多背景知识。联邦学习的出现为人工智能系统提供了新思路，在联邦学习中，训练数据不离开本地，本地模型只通过上传参数或梯度到全局模型，就可以完成模型的训练，保护了数据隐私信息的安全。

现有技术的模型训练方式不能被很好的保护隐私，攻击者可以通过梯度或参数信息获取本地数据的隐私信息和模型窃取，极大的威胁了数据隐私安全，带来了安全隐患。

发明内容

本发明的目的是针对现有技术的不足而提供一种基于联邦学习的交通流量预测方法，采用差分隐私技术对梯度信息加噪的方法，构建的流量预测模型，能有效防止攻击方从整个模型更新梯度的过程中，不断生成与其他参与各方相同的数据，从而实现偷取数据，对本地数据安全造成威胁，极大的保护了数据隐私，流量预测模型基于长短期记忆网络LSTM，在数据集上关注了不同时间段流量值对预测结果的影响，能够达到理想的预测精准，本发明在客户端-服务器架构的基础上，采用联邦学习的训练方式，使得数据不离开本地也可以参与全局模型，在保护数据隐私的基础上增强全局模型的稳健性，以得到准确的预测结果，

方法简便，使用效果好，具有一定应用前景。

实现本发明目的的具体技术方案是：一种基于联邦学习的交通流量预测方法，其特点是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，并且对交通流量数据进行预处理，得到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，计算完成后，将本地局部计算所得梯度脱敏后进行上传，以用于全局模型的一次更新。