[发明专利]一种交通流量预测模型的在线联邦学习方法

权利要求书

1.一种用于交通控制系统的交通流量预测模型的在线联邦学习方法，所述交通控制系统包括服务器和多个路侧单元，其中，每个路侧单元中配置有一个编解码结构的交通流量预测模型，其特征在于，所述方法包括对所有路侧单元的交通流量预测模型进行多轮联邦学习直至满足最大轮数约束条件，其中，每轮联邦学习包括：

D1、对每个路侧单元的交通流量预测模型进行预设次数的更新，其中，每次更新包括：

D11、获取当前路侧单元所在道路中的待预测交通流量序列作为当前路侧单元的交通流量预测模型的编码输入以获得当前路侧单元的编码隐藏状态；

D12、服务器根据步骤D11中获得的当前路侧单元的编码隐藏状态以及当前路侧单元与其他路侧单元之间的空间关系更新当前路侧单元的编码隐藏状态，并将更新后的编码隐藏状态作为当前路侧单元的交通流量预测模型的解码输入以获得所述待预测交通流量序列对应的预测交通流量；

D13、根据所述待预测交通流量序列对应的实际交通流量和步骤D12中获得的预测交通流量之间的损失更新当前路侧单元的交通流量预测模型的参数；

D2、服务器将所有路侧单元的交通流量预测模型的参数进行融合以获得融合后的模型；

D3、将融合后的模型参数下发至每个路侧单元以更新每个路侧单元的模型参数。

2.根据权利要求1所述的方法，其特征在于，在所述步骤D12中，通过如下方式确定当前路侧单元与其他路侧单元之间的空间关系：

基于当前路侧单元与其他路侧单元之间的地理位置，判断当前路侧单元与其他路侧单元之间是否具有邻接性，其中，所有与当前路侧单元邻接的路侧单元组成当前路侧单元的邻接集合；

基于当前路侧单元的编码隐藏状态，计算当前路侧单元的邻接集合中每个路侧单元与当前路侧单元之间的关联程度；

基于邻接集合中每个路侧单元与当前路侧单元之间的关联程度，计算当前路侧单元与其邻接集合中每个路侧单元之间的权重关系。

3.根据权利要求2所述的方法，其特征在于，按照如下方式判断当前路侧单元与其他路侧单元之间是否具有邻接性：

其中，s_n、s_x分别表示第n个路侧单元和第x个路侧单元，dist(s_n,s_x)表示s_n和s_x之间的距离，ε、τ²为两个控制关联程度的超参数，e_x,n＝1表示第n个路侧单元和第x个路侧单元存在邻接性，e_x,n＝0表示第n个路侧单元和第x个路侧单元不存在邻接性，otherwise表示否则，exp表示以自然常数e为底的指数函数。

4.根据权利要求3所述的方法，其特征在于，按照如下方式计算当前路侧单元与其邻接集合中每个路侧单元之间的权重关系：

其中，表示在第t轮联邦学习中第n个路侧单元与其邻接集合中第m个路侧单元之间的权重关系，表示在第t轮联邦学习中采用图注意网络计算的第n个路侧单元与其邻接集合中第m个路侧单元之间的关联程度，表示在第t轮联邦学习中采用信息几何方式计算的第n个路侧单元与其邻接集合中第m个路侧单元之间的关联程度，表示和之间的权重，N_n表示第n个路侧单元的邻接集合，i表示N_n中第i个路侧单元，表示在第t轮联邦学习中采用图注意网络计算的第n个路侧单元与其邻接集合中第i个路侧单元之间的关联程度，表示在第t轮联邦学习中采用信息几何方式计算的第n个路侧单元与其邻接集合中第i个路侧单元之间的关联程度，exp表示以自然常数e为底的指数函数。