[发明专利]一种交通流量预测模型的在线联邦学习方法

说明书

本发明提供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，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，每次更新包括：D11、获取当前路侧单元的待预测交通流量序列作为其交通流量预测模型的编码输入以获得其编码隐藏状态；D12、服务器计算当前路侧单元与其他路侧单元之间的空间关系并更新当前路侧单元的编码隐藏状态，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预测交通流量；D13、根据实际交通流量和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、服务器将所有交通流量预测模型的参数进行融合；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。

技术领域

本发明涉及机器学习领域，具体来说，涉及机器学习领域中的联邦学习领域，更具体地说，涉及一种交通流量预测模型的在线联邦学习方法。

背景技术

随着社会经济的蓬勃发展，全国汽车数量的日益增加，居民用车出行面临着越来越多的交通问题，尤其是随着人民生活水平的提高，私家车的数量越来越多，如何为司机们提供路径规划，避免交通堵塞，以减少通勤时间成为了亟待解决的问题，路径规划离不开交通流量的精准预测，因此，做好对交通流量的预测有利于为司机提供合理的路径规划以及缓解道路交通堵塞的情况。

现有技术中预测交通流量的方法主要包括非参数化的方法和参数化的方法，其中，非参数化的方法主要是指KNN(K-Nearest Neighbour，K-最近邻)、SVM(Support VectorMechnism，支持向量机)、NN(Neural Network，神经网络)等机器学习方法，参数化的方法主要是指ARIMA(Autoregressive Integrated Moving Average model，整合移动平均自回归模型)方法及其相关变式，而这两种方法在具体处理的过程中都会将交通控制系统中所有路侧单元(RSU，Roadside Unit)采集的原始交通流量数据上传至云服务器。其中，在参数化的方法中，原始交通流量被假设为平稳分布的状态，但这样会导致该方法预测的交通流量不能够反应出非线性变化的实际的交通流量，因此，该方法在实际交通控制系统中的应用效果不好。客观来说，这两种方法虽然在一定程度上提高了对未来时刻交通流量预测的精度，但是在实际的交通控制系统中，因为所有路侧单元都需要将其海量的原始交通流量数据上传至云服务器进行处理，所以在将所述原始交通流量数据上传至服务器的过程中，会存在网络拥塞，传输延迟以及不能满足交通流量预测的实时性要求等问题，而且，由于路侧单元所采集的交通流量数据中可能包含车牌号、乘客肖像等隐私信息，所以当直接将交通流量数据上传至云服务器进行处理时，还存在泄露用户隐私信息的风险。

最新的一种方法是基于联邦学习架构来预测未来时刻的交通流量，在联邦学习架构中，各路侧单元在服务器的协同下进行多轮联邦学习以训练一个整体的交通流量预测模型，在每轮联邦学习中，每个路侧单元分别将其原始交通流量数据保存在本地以训练每个路侧单元对应的交通流量预测模型，并以一定频次向服务器上传训练后的交通流量预测模型的参数，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，然后将融合后的交通流量预测模型分发给相应的路侧单元以作为下一轮联邦学习的初始训练模型。虽然这种方法利用仅向服务器传输交通流量预测模型的参数的方式，保护了用户隐私，降低了网络负载，但是这种方法采用的是离线方式训练交通流量预测模型，即当交通流量预测模型的测试集数据和训练集数据存在异构性时会导致已经训练好的交通流量预测模型不一定适用于测试数据，所以在这种情况下，离线训练的交通流量预测模型存在被重新训练的风险，被重新训练会极大浪费计算资源。

发明内容

因此，本发明的目的在于克服上述现有技术的缺陷，提供一种能够满足实时性要求的交通流量预测模型的在线联邦学习方法。

本发明的目的是通过以下技术方案实现的：