CN119418533B 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e表示在特定时间步长tk下链路的交通状态预测；Yv表示在特定时间步长tk下节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可训练模型参数，LO,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4LO,=""ly-l2(10)更新后的全局模型参数θb；(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θbLO,(f;Dm)(14)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)计算当前轮数t+1全局模型的加权平均值以生成聚合后的全局模型Ft+1，并将所述全局模型Ft+1本地化全局模型fm使用公式(15)添加拉普拉斯噪声以满足∈_差分隐私，生成隐私保护的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，述个性化模型和添加了噪声数据的模型参数上传至中央服务器作为本地化全5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的轨迹数据和车辆状态信息形成的个体轨迹，使用所述个体轨迹构建和训练个性化模型，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性化6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e表示在特定时间步长tk下链路的交通状态预测；Yv表示在特定时间步长tk下节7户端的模型估计行驶时间客户端的轨迹样本可训练模型参数，LO,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LO,="llyi-则l2(10)更新后的全局模型参数θb；co,(f;Dm)模型的加权平均值以生成聚合后的全局模型Ft+1，并将所述全局模型Ft+1下发至所有客户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，[0010]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，[0021]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在时空向量积层中，用于链路和节点的权重矩阵；和bu,表示链路和节点的偏置项；[0025]其中，所述中央服务器根据所述个体轨迹数据和所述全[0028]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局模型的可训练模型参数，LO,表示全局模型的损失函数，用于衡量模型预测与实际行驶[0034]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[0040]It-randomsetofMclient's(12)新后的本地化全局模型fm使用公式(16)添加拉普拉斯端的数据集Dm上的预测与实际值之间的差异；[0046]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[0055]时空张量分解模块，用于接收所述客户端上传的个性化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[0069]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在时空向量积层中，用于链路和节点的权重矩阵；和b[0079]应用随机梯度下降(SGD)算法对所述损失函数LO,和全局模型的当前参数进[0080]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[0086]It-randomsetofMclient's(12)1全局模型的加权平均值以生成聚合后的全局模型Ft+1，并将所述全局模型Ft+1下发至全局模型fm使用公式(15)添加拉普拉斯噪声以满足差分隐私，生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，[0137]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[0148]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[0155]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[0158]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[0172]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[0175]其中，θp表示初始设置的所述个性化模型的参数，yi表示所述个体实际行驶时[0176]表示实际行驶时间与模型预测行驶时间的差的平pp[0177]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[0179]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：私标准。[0183]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[0186]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[0206]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经过图卷积网络处理后，节点在第l+1层的隐藏状态；表示链路的偏置项；表示节点的偏置项，|E|和|V|分别表示边和节点的数量；表示哈达玛积[0210]所述时间注意力机制处理是通过时间注意力向量att(T)实现，具体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，[0212]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[0213]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[0215]公式(9)是将路由r中所有路段的估计行驶时间和所有节点的估计状态相j}[0217]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[0218]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[0224]根据所述客户端11上传的个性化模型参数，利用公式(10)进[0226]应用随机梯度下降(SGD)算法对所述损失函数LO,和全局模型的当前参数进[0227]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[0231]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Ft表示第t轮的全局模型，te1,2,…}轮数t的全局模型pt-1发送至集合It中的每个客户端m以进行第一层[0235]It-randomsetofMclient's(12)户端的数据集Dn上的预测与实际值之间的差异。[0248]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，[0253]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[0254]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[0255]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[0274]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[0277]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[0286]其中，θp表示初始设置的所述个性化模型的参数，yi表示所述个体实际行驶时[0297]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[0298]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性嵌入层输出的，可以是路段或节点的特征表示；表示第c跳和第l层的权重参数，到第l+1层的隐藏状态； 表示节点的偏置项，|E|和|V|分别表示边和节点的数量；表示哈达玛积[0316]所述时间注意力机制处理是通过时间注意力向量att(T)实现，具体通过实际行驶时间的差异；[0328]步骤S221，应用随机梯度下降(SGD)算法对所述损失函数LO,和全局模[0336]It-randomsetofMclient's(12)户端的数据集Dm上的预测与实际值之间的