CN119418533A 交通预测方法、系统、服务器及可读存储介质 （吉林大学）

号质集的个体轨迹数据中提取与道路网络相关的空联邦学习和图卷积网络提升行驶时间预测准确2的模型参数中添加差分隐私构建的噪声数据后，上传至所述中央服务器作为其权重的模所述中央服务器根据所述个体轨迹数据和所述全局模型反映的交所述中央服务器根据所述客户端上传的本地化全局模型权重，执行通过公式(5)定义图信号在图卷积网络中为每个节点或链路提供一个特征向量，以通3结合图卷积网络处理生成的隐藏状态和时间嵌入，使用应用时间注意力机制调整不同时间步长对交通通过公式(7)、(8)对链路和节点分别应用时空向量积处理，以bu和bu,构建。所述中央服务器根据所述个体轨迹数据和所述全局模型反映的交接收个性化模型以及全局交通数据，将一天的时间分为不同的部根据所述客户端上传的个性化模型参数，进行非个性化全局流量4根据所有客户端的局部模型表和样本数量nm，利用公式(11)计算全局模型作为所述中央服务器使用公式(12)初始化全局模型po；其中，Ft表示第t轮的全局模型，;(12)将当前轮数t的全局模型Ft-1发送至集合It中的每个客户端m，使得所述客户端接收所m个客户端上的本地模型；表示梯度算子，用于计算损失函数关于模型参数θb的梯度；的差异；所述中央服务器接收所述客户端上传的隐私保护的本地模型fm，并通过公式(11)计算本地化全局模型fm使用公式(15)添加拉普拉斯噪声以满足c-差分隐私，生成隐私保护的本客户端从数据库中收集用户行驶过程中的轨迹数据和车辆状态信息以获取个体轨迹，所述中央服务器从所述个体轨迹数据中提取与道路网络相关的空5所述中央服务器根据所述个体轨迹数据和所述全局模型反映的交所述中央服务器根据所述客户端上传的本地化全局模型权重，执行空间特征提取模块，用于接收所述客户端上传的时空特征整合模块，用于根据所述图卷积网络本地化全局模型预测模块，用于根据所述个体轨迹数据和所述时空特征时空张量分解模块，用于接收所述客户端上传的个全局模型训练模块，用于根据所述客户端上传的个性化模型参数，联邦学习协同模块，用于根据所述客户端上传的本地化全局模型过公式(5)定义图信号在图卷积网络中为每个节点或链路提供一个特征向量，以通过公式6结合图卷积网络处理生成的隐藏状态和时间嵌入，使用应用时间注意力机制调整不同时间步长对交通通过公式(7)、(8)对链路和节点分别应用时空向量积处理，以所述时空张量分解模块，用于接收个性化模型以及全局交通数据，将7可训练模型参数，Co,表示全局模型的损失函数，用于衡量模型预测与实际行驶时间的差应用随机梯度下降(SGD)算法对所述损失函数CO,和全局模型的当前参数进行优化，全局模型fm使用公式(15)添加拉普拉斯噪声以满足c-差分隐私，生成隐私保护的本地模型fmf在第m个客户端的数据集Dm上的预测89于深度学习的方法或基于图神经网络的方法进处理和提取所述道路网络的空间特征，并将所述道路网络的空间特征嵌入到全局模型中，通过公式(5)定义图信号在图卷积网络中为每个节点或链路提供一个特征向量，应用时间注意力机制调整不同时间步长对交通将计算得到的时空特征嵌入到全局模型中，更新全局模型以反映最新的交通状表示经过图卷积网络处理后，节点在第l+1层的隐藏状态；wu和wu,表示在时空向量积层[0008]其中，所述中央服务器根据所述个体轨迹数据和所述全根据全体客户端上传的个性化模型以及全局交通数据，进行时空特征的分解处差异；发送回所述客户端，以使得所述客户端基于聚合后的全局模型权重训练和优化个性化模所述中央服务器使用公式(12)初始化全局模型po；其中，Ft表示第t轮的全局模型，te1,2,…};公式(12)将当前轮数t的全局模型pt-1发送至集合It中的每个客户端m，使得所述客户端接关于模型参数θb的梯度；表示损失函数，用于衡量模型f在第m个客户端的数据集客户端从数据库中收集用户行驶过程中的轨迹数据和车辆状态信息以获取个体时空张量分解模块，用于接收所述客户端上传的个性化模型以及全局交通数据，每个节点或链路提供一个特征向量，以通过公式(6)进行所述图卷积操作处理交通网络的应用时间注意力机制调整不同时间步长对交通将计算得到的时空特征嵌入到全局模型中，更新全局模型以反映最新的交通状下节点的交通状态预测；表示经过图卷积网络处理后，链路在第l+1层的隐藏状态；的路段和交叉口的总数，Y表示某个路段或交叉口的估计差异；根据所有客户端的局部模型表和样本数量nm，利用公式(11)计算全局模型轮数t的全局模型pt-1发送至集合It中的每个客户端m，使得所述客户端接收所述中央服务接收所述客户端上传的隐私保护的本地模型fm，并模型fm使用公式(15)添加拉普拉斯噪声以满足e-差分隐私，生成隐私保护的本地模型fm；数θb例或附图所示的方位或位置关系，仅是为了便于描述本申请的具体实施例或便于读者理型并采用在线学习方法不断更新，解决了现有技术中对动态交通环境适应性不足的问题，[0046]所述网络特征提取与集成模块110，用于从所述数据库13中收集用户行驶过程中的轨迹数据和车辆状态信息以获取所述个体轨迹，并从所述个体轨迹中提取交通网络特与集成模块110用于从所述数据库13中提取路网特征，以及从所述路网特征中提取与路由S=(V,E,,m)(1)[0052]所述网络特征提取与集成模块110还可以从OpenStreetMap数据库中提取节点的使用所述网络特征提取与集成模块110提取得到的交通网络特征构建个性化模使用所述个体行驶时间残差优化模型参数，以生成模型参数优化后的个性化模使用全连接层(也称为密集层)对所述隐藏状态进行处理，执行如公使用SGD(随机梯度下降)算法根据所述残差误差的梯度信息优化模型参数，以生ppp样本误差的度量；修改后的公式表示实际行驶时间与经过残差调整p[0065]所述差分隐私应用模块112，用于在所述个性化模型的模型参数中添加隐私保护[0067]具体地，差分隐私是一种保护数据隐私的随机化技术，由一个随机化机制：[0069]通过这种方式，所述差分隐私应用模块112为个性化模型训练提供了一个隐私保[0072]所述客户端11还可以通过所述学习协同模块113接收所述中央服务器12整合后的征提取模块120提取的所述道路网络的空间特征，并将所述道路网络的空间特征嵌入到全络中为每个节点或链路提供一个特征向量，以通过公式(6)进行所述图卷积操作处理交通应用时间注意力机制调整不同时间步长对交通将计算得到的时空特征嵌入到全局模型中，更新全局模型以反映最新的交通状分别表示在时间步长下链路和节点的当前交通状态。所述全连接层通过、模型将包括基于个体数据训练得到的参数和预测。服务器端接收来自各个客户端的模型，[0087]所述本地化全局模型预测模块123，用于根据所述个体轨迹数据和所述时空特征[0088]具体地，所述本地化全局模型预测模块123使用公式(9)计算路由r上的估计行驶[0091]所述本地化全局模型预测模块123通过如上所述的具体实现方式，实现了对行驶[0092]所述时空张量分解模块124，用于接收所述客户端11上传的个性化模型以及全局根据所述客户端11上传的个性化模型参数，利用公式(10)进行损失函数的计算；[0099]所述中央服务器12还包括联邦学习协同模块126，用于根据所述客户端11上传的对所述更新后的本地化全局模型fm使用公式(15)添加拉普拉斯噪声以满足e-差将所述隐私保护的本地模型fm上传至所述中央服接收所述客户端11上传的所述隐私保护的本地模型fm，[0108]所述中央服务器12的联邦学习协同模块126执行联邦学习过程中的关键步骤，包确性和用户数据的隐私安全。这一过程体现了客户端11与中央服务器12之间的协同工作，以及全局与个性化模型训练的逻辑关系，客户端11可以进一步训练和优化其个性化模型，步骤S20，所述客户端11从所述数据库13中收集用户行驶过程中的轨迹数据和车[0113]步骤S21，所述中央服务器12从所述个体轨迹数据中提取与道路网络相关的空间[0114]步骤S22，所述中央服务器12根据所述个体轨迹数据和所述全局模型反映的交通[0124]请同时参阅图6，“所述客户端11基于训练后的个性化模型生成个体行驶时间残步骤S2022，使用神经网络的隐藏层对嵌入的轮廓特征进行处理，以生成隐藏状pp式表示实际行驶时间与经过残差调整的预测行驶时间的差的平方；是全局模型的预测。[0137]步骤S211，所述中央服务器12使用图卷积网络(GCN)处理和提取所述道路网络的[0138]具体地，所述中央服务器12通过公式(5)定义图信号在图卷积网络中为每个节点c表示图的拉普拉斯矩阵的c次幂，到第l+1层的隐藏状态；向量在时间步长下的值；I表示时间嵌入向量的大小，即时间特征的维度；和分别表示在时间步长下链路和节点的当前交通状态。所述全连接层通过、;步骤S232，所述客户端11接收所述中央服务器12下发的全局模型pt-1，通过公式电路、单个或多个为特定用途集成电路(ApplicationSpecificIntegratedCircuit，现场可编程门阵列(FieldProgrammableGateArray，FPGA)、中央处理器(Central存于深度神经网络或其他机器学习模型的参[0172]输入装置32用于输入数据和/或信号，以及输出装置33用于输出数据和/或信[0178]所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用