CN111710153A - 交通流量的预测方法、装置、设备及计算机存储介质 - Google Patents
交通流量的预测方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN111710153A CN111710153A CN202010406864.9A CN202010406864A CN111710153A CN 111710153 A CN111710153 A CN 111710153A CN 202010406864 A CN202010406864 A CN 202010406864A CN 111710153 A CN111710153 A CN 111710153A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- prediction
- training
- data
- global
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 181
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000000379 polymerizing effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Bioethics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Analytical Chemistry (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了交通流量的预测方法,用于预测终端和云端,其中,用于终端的交通流量的预测方法包括:获取来自云端的本地初始模型;获取源交通流量数据和目标交通流量数据;利用所述源交通流量数据和所述目标交通流量数据训练所述本地初始模型得到目标共享数据;将所述目标共享数据传输至所述云端,以便于所述云端利用所述目标共享数据更新所述本地初始模型得到全局更新模型;获取所述全局更新模型进行交通流量预测。本发明可以在不损害隐私保护约束的条件下,实现精确预测交通流量。
Description
技术领域
本发明涉及信息处理技术领域,尤其是涉及交通流量的预测方法、装置、设备及计算机存储介质。
背景技术
交通流量预测(TFP)就是利用历史交通流量数据来预测未来的交通流量,从而提供人们需要的交通流量信息。当代城市居民,出租车司机,商业部门和政府机构都强烈需要准确及时的交通流量信息,因为这些道路使用者可以利用这些信息来缓解交通拥堵,适当控制交通灯,提高交通效率,人们还可以使用交通流量信息来制定更好的出行计划。
在交通流量预测中,集中式机器学习方法通常是通过训练足够的传感器数据来准确预测交通流量,例如来自手机、相机、雷达等的数据。由于不同的运营方(例如公共机构和私营公司)传感器数据可能包含敏感的隐私信息,目前集中式机器学习方法出于数据隐私的考虑无法从不同的运营方(例如公共机构和私营公司)获取交通流量数据,导致无法保障交通流量预测的精确度。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出交通流量的预测方法,应用于终端,能够在隐私保护的约束下精确预测交通流量。
本发明还提出另一种交通流量的预测方法,应用于云端。
本发明还提出一种交通流量的预测装置。
本发明还提出另一种交通流量的预测装置。
本发明还提出一种交通流量的预测控制设备。
本发明还提出一种计算机存储介质。
第一方面,本发明的一个实施例提供了交通流量的预测方法,用于预测终端,该方法包括:
获取来自云端的本地初始模型;
获取源交通流量数据和目标交通流量数据;
利用所述源交通流量数据和所述目标交通流量数据训练所述本地初始模型得到目标共享数据;
将所述目标共享数据传输至所述云端,以便于所述云端利用所述目标共享数据更新所述本地初始模型得到全局更新模型;
获取所述全局更新模型进行交通流量预测。
本发明实施例至少具有如下有益效果:通过使用本地初始模型对源交通流量数据和目标交通流量数据进行训练,得到目标共享数据,并将所得目标共享数据上传到云端,以使云端可以根据目标共享数据更新本地初始模型得到全局更新模型,而不是共享不同预测终端的原始数据,最后可以获取全局更新模型进行交通流量的预测,可以在不损害隐私保护约束的条件下,根据全局更新训练模型使得预测终端可以在其本地数据上精确预测交通流量。
根据本发明的另一些实施例,所述根据所述全局更新模型预测交通流量,包括:获取待预测交通流量数据和目标预测数据输入到所述全局更新模型中;获取所述全局更新模型进行交通流量预测输出的预测结果。
第二方面,本发明的一个实施例提供了交通流量的预测方法,用于云端,该方法包括:
向多个预测终端发送本地初始模型;
获取多个所述预测终端发送的目标共享数据;
根据所述目标共享数据生成全局参数;
利用所述全局参数更新所述本地初始模型得到全局更新模型;
将所述全局更新模型发送给所述预测终端,以使得所述预测终端利用所述全局更新模型进行交通流量预测输出的预测结果。
本发明实施例至少具有如下有益效果:首先通过获取多个预测终端发送的目标共享数据,然后根据目标共享数据生成全局参数,继而可以利用全局参数更新本地初始模型得到全局更新模型,最后可以将全局更新模型发送至预测终端进行交通流量的预测,可以在不损害隐私保护约束的条件下,根据全局更新训练模型使得每个节点都能在其本地数据上,实现精确预测交通流量。
根据本发明的另一些实施例,所述目标共享数据包括:预测终端的模型参数,所述根据所述目标共享数据生成全局参数,包括:对多个所述预测终端发送的所述模型参数进行加权平均得到所述全局参数。
根据本发明的另一些实施例,所述目标共享数据还包括:全局输入数据和全局输出数据;所述方法还包括:根据所述全局输入数据和所述全局输出数据生成对应于多个所述预测终端的全局训练样本对;分别根据多对所述全局训练样本对所述全局更新模型进行训练,得到对应于多个所述预测终端的全局更新模型;选取满足预设选取条件的全局更新模型发送给所述预测终端进行交通流量预测输出的预测结果。
根据本发明的另一些实施例,所述本地初始模型采用以下步骤得到:获取本地训练样本对集合,所述本地训练样本对集合包括多个本地训练样本对,所述本地训练样本对中包括:训练源交通流量数据样本和训练目标交通流量数据样本;分别提取所述训练源交通流量数据样本和所述训练目标交通流量数据样本的参数特征;将所述训练源交通流量数据样本的参数特征、所述训练源交通流量数据样本和所述训练目标交通流量数据样本作为待训练本地初始模型的输入,将所述训练目标交通流量数据样本的参数特征作为期望的输出,对所述待训练本地初始模型进行训练,得到训练好的本地初始模型。
根据本发明的另一些实施例,所述将所述训练源交通流量数据样本的参数特征、所述训练源交通流量数据样本和所述训练目标交通流量数据样本作为待训练本地初始模型的输入,将所述训练目标交通流量数据样本的参数特征作为期望的输出,对所述待训练本地初始模型进行训练,得到训练好的本地初始模型,包括:将所述训练源交通流量数据样本的参数特征、所述训练源交通流量数据样本和所述训练目标交通流量数据样本作为待训练本地初始模型的输入,获取所述待训练本地初始模型输出的实际参数特征;根据所述实际参数特征和所述训练目标交通流量数据样本的参数特征计算得到损失值;根据所述损失值对待训练本地初始模型中的参数、所述源交通流量数据和所述目标交通流量数据进行更新,直到所述损失值达到预设的收敛条件,将最后更新得到的待训练本地初始模型作为所述本地初始模型。
第三方面,本发明的一个实施例提供了一种交通流量的预测方法,用于预测终端和云端,所述预测终端与所述云端通信连接,其特征在于,所述方法包括:
所述预测终端执行本发明第一方面提出的所述的交通流量的预测方法;对应的,所述云端执行本发明第二方面提出所述的交通流量的预测方法。
本发明实施例至少具有如下有益效果:通过上述方法,首先,预测终端根据利用本地初始模型训练得到的目标共享数据,然后将目标共享数据上传至云端,以使云端可以根据目标共享数据更新得到全局更新模型,最后预测终端根据全局更新模型进行交通流量预测,可以在不损害隐私保护约束的同时,实现精确预测交通流量。
第四方面,本发明的一个实施例提供了交通流量的预测装置,其特征在于,所述装置包括:
第一获取模块,用于获取来自云端的本地初始模型;
第二获取模块,用于获取源交通流量数据和目标交通流量数据;
第一训练模块,用于利用所述源交通流量数据和所述目标交通流量数据训练所述本地初始模型得到目标共享数据;
第一传输模块,用于将所述目标共享数据传输至所述云端,以便于所述云端利用所述目标共享数据更新所述本地初始模型得到全局更新模型;
预测模块,用于获取所述全局更新模型进行交通流量预测。
本发明实施例至少具有如下有益效果:通过上述装置,首先预测终端利用本地初始模型训练得到的目标共享数据,其次将目标共享数据上传至云端,最后预测终端获取云端更新好的全局更新模型进行交通流量预测,可以在不损害隐私保护约束的同时,实现精确预测交通流量。
第五方面,本发明的一个实施例提供了交通流量的预测装置,其特征在于,所述装置包括:
传送模块,用于向多个预测终端发送本地初始模型;
第三获取模块,用于获取多个所述预测终端发送的目标共享数据,
第四获取模块,用于根据所述目标共享数据生成全局参数;
更新模型,用于利用所述全局参数更新所述本地初始模型得到全局更新模型;
第二传输模块,用于将所述全局更新模型发送给所述预测终端,以使得所述预测终端利用所述全局更新模型进行交通流量预测输出的预测结果。
本发明实施例至少具有如下有益效果:通过上述装置,云端可以根据目标共享数据更新本地初始模型为全局更新模型,再将全局更新模型发送至各个预测终端,以使预测终端可以根据全局更新模型预测交通流量,可以在不损害隐私保护约束的同时,实现精确预测交通流量。
第六方面,本发明的一个实施例提供了交通流量的预测控制设备,存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现:
如本发明第一方面提出的所述的交通流量的预测方法;
或者,
如本发明第二方面提出的所述的交通流量的预测方法;
或者,
如本发明第三方面提出所述的交通流量的预测方法。
本发明实施例至少具有如下有益效果:通过上述控制设备,首先,预测终端根据利用本地初始模型训练得到的目标共享数据,然后将目标共享数据上传至云端,以使云端可以根据目标共享数据更新得到全局更新模型,最后预测终端根据全局更新模型进行交通流量预测,可以在不损害隐私保护约束的同时,实现精确预测交通流量。
第七方面,本发明的一个实施例提供了计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令用于:
如本发明第一方面提出的所述的交通流量的预测方法;
或者,
如本发明第二方面提出的所述的交通流量的预测方法;
或者,
如本发明第三方面提出所述的交通流量的预测方法。
本发明实施例至少具有如下有益效果:通过上述存储介质,首先,预测终端根据利用本地初始模型训练得到的目标共享数据,然后将目标共享数据上传至云端,以使云端可以根据目标共享数据更新得到全局更新模型,最后预测终端根据全局更新模型进行交通流量预测,可以在不损害隐私保护约束的同时,实现精确预测交通流量。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例的交通流量的预测方法的流程示意图;
图2为本发明另一个实施例的交通流量的预测方法的流程示意图;
图3为本发明另一个实施例的交通流量的预测方法的流程示意图;
图4A为本发明实施例的得到本地初始模型的流程示意图;
图4B为本发明实施例的训练待训练本地初始模型的流程示意图;
图5为本发明实施例交通流量的预测装置的结构示意图;
图6为本发明另一个实施例交通流量的预测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
参照图1,根据本发明实施例所示图1为交通流量的预测方法的一实施例的流程示意图,该交通流量的预测方法用于预测终端,其中预测终端可以是用于预测交通流量的计算节点,预测终端可以是多个。该交通流量的预测方法包括:
步骤S100,获取来自云端的本地初始模型。
其中,本地初始模型可以是由云端预先设置的一个初始化模型。为得到全局最优的交通流量预测模型,可以是先设置一个初始化模型,根据初始化模型可以从不同的预测终端中收集加密参数,继而可以根据收集的加密参数训练得到最优的交通流量预测模型。可选的,本地初始模型可以由云端无需考虑隐私问题的公共数据集进行预训练得到。
步骤S110,获取源交通流量数据和目标交通流量数据。
其中,源交通流量数据可以是某个时刻某个终端采集到的交通流量数据集;源交通流量数据可以是多个;目标交通流量数据为某个时刻某个终端预设的交通流量数据集。上述源交通流量数据和目标交通流量数据可以为预测终端的原始数据。不同终端对应的源交通流量数据和目标交通流量数据不同,所以需要分别获取每个终端对应的源交通流量数据和目标交通流量数据。可选的,源交通流量数据可以是终端a在t时刻车辆数量,源交通流量数据可以通过传感器检测得到;目标交通流量数据可以是终端a在t时刻预测的车辆数量,目标交通流量数据可以是通过人为输入或通过计算机估算得到。
步骤S120,利用源交通流量数据和目标交通流量数据训练本地初始模型得到目标共享数据。
其中,目标共享数据可以为预设的、用于交换共享的交通流量数据,目标共享数据为加密数据,目标共享数据可以是由多个加密数据组成的数据集。为确保用户隐私安全,不同终端之间采集的原始数据可能无法共享,例如,政府、公司和个人之间的交通流量数据不能共享,所以可以仅获取每个终端输出的加密数据(即目标共享数据),而无需交换原始数据,可以不损害隐私保护约束。可选的,可以根据本地初始模型训练得到目标共享数据,例如,可以将源交通流量数据、目标交通流量数据作为本地初始模型的输入,通过获取本地初始模型的输出即可得到目标共享数据。
步骤S130,将目标共享数据传输至所述云端,以便于云端利用目标共享数据更新本地初始模型得到全局更新模型。
由于目标共享数据可以是加密后的参数,不涉及隐私安全问题,所以可以将目标共享数据作为共享参数传输至云端。该目标共享数据可以用于训练得到全局更新模型,该全局更新模型可以是最优的交通流量预测模型。
步骤S140,获取全局更新模型进行交通流量预测。
其中,全局更新模型可以是由云端训练好的最优的交通流量预测模型。由于云端可以根据多个终端上传的目标共享数据训练得到全局更新模型,所以,在训练结束后,可以由预测终端接收来自云端的全局更新模型,并可以由预测终端根据全局更新模型预测交通流量,得到预测结果。可选的,假设共有n个终端,则该n个预测终端可以分别获取来自云端的全局训练模型,n个预测终端可以分别根据全局训练模型进行交通流量的预测,分别得到n个交通流量预测结果;也可以根据全局更新模型对n个预测终端中愿意交换共享原始数据的k个预测终端进行统一的交通流量预测,得到k个预测终端所在区域的交通流量预测情况。
上述交通流量的预测方法,通过获取来自云端的本地初始模型,根据本地初始模型、源交通流量数据和目标交通流量数据训练得到加密的目标共享数据,然后可以将所得的目标共享数据上传至云端,而非共享本地原始数据,可以将目标共享数据用于训练全局更新模型,可以在不损害隐私保护约束的条件下,得到最优的交通流量预测模型,继而可以根据全局更新训练模型对交通流量进行预测,可以实现精确预测交通流量。
在本发明的一些具体实施例中,根据全局更新模型预测交通流量,包括:
获取待预测交通流量数据和目标预测数据输入到所述全局更新模型中。
其中,待预测交通流量数据可以为预测终端采集的、用于预测交通流量的数据集,例如:采集的车辆牌照信息,待预测交通流量数据可以为某个预测终端采集的数据集,也可以为多个预测终端共同采集的数据集;目标预测数据可以为预设的预测终端的交通流量的数据集,目标预测数据与待预测交通流量数据可以是一一对应的。可选的,假设待预测交通流量数据为某个预测终端使用传感器采集得到的交通流量数据集DK,则待预测交通流量数据的大小假设待预测交通流量数据为xi,则目标预测数据可以为yi,其中yi∈R,获取上述待预测交通流量数据、待预测交通流量数据的参数特征和目标预测数据,将上述数据输入到所述全局更新模型中进行交通流量的预测。
获取所述全局更新模型进行交通流量预测输出的预测结果。
由于全局更新模型为最优的交通流量预测模型,所以各个预测终端可以根据全局更新模型进行交通流量预测,得到精确的预测结果。可选的,可以将待预测交通流量数据和目标预测数据作为全局更新模型的输入,获取该全局更新模型输出的预测结果。例如,假设全局更新模型输出的预测结果为预测终端D1的交通流量为w1,则可以获取该输出的预测结果w1;假设预测终端D1、D2、D3可以共享,可以获取全局更新模型输出的结果为预测终端D1、D2、D3的交通流量为w2,则可以获取该输出的预测结果w2。通过获取一个或多个预测终端对应的待预测交通流量数据和目标预测数据,根据全局更新模型对上述数据进行更新,得到全局更新模型输出的预测结果,可以精确预测单个预测终端或某片区域内的交通流量。
参照图2,根据本发明实施例所示图2为交通流量的预测方法的一实施例的流程示意图,该交通流量的预测方法用于云端,其中云端可以是用于预测交通流量的云服务器,该交通流量的预测方法包括:
步骤S200,向多个预测终端发送本地初始模型。
其中,预测终端可以是多个。多个预测终端的确定,可以是由云端向各个可预测交通流量的终端进行广播,然后获取各个可预测交通流量的终端的签到信息,该签到信息可以表示自愿参与本轮训练的终端信息,而未签到的终端可以代表不愿意参与本轮训练或有其他签到失败原因,则可以根据签到信息将自愿参与本轮训练的终端作为预测终端,由此确定多个预测终端。可以由云端向多个预测终端发送本地初始模型,以使每个预测终端可以根据本地初始模型进行本地的交通流量训练,得到代表该预测终端交通流量的目标共享数据。也可以是由云端根据签到信息随机选择一个固定比例(如10%,20%,····)的终端参加这一轮的训练,从而可以确定多个预测终端。
步骤S210,获取多个预测终端发送的目标共享数据。
由于不同预测终端所得到的目标共享数据不同,所以可以分别获取多个预测终端对应的目标共享数据,得到多个预测终端对应的目标共享数据,从而可以得到多个目标共享数据。所得多个预测终端的目标共享数据可以用于训练得到全局更新模型。
步骤S220,根据目标共享数据生成全局参数。
其中,全局参数可以是全局更新模型的模型权重参数。可选的,全局参数可以根据目标共享数据得到,例如,可以将多个预测终端对应的目标共享数据进行聚合,具体的,可以是对多个目标共享数据进行平均计算,从而可以得到全局参数。
步骤S230,利用全局参数更新所述本地初始模型得到全局更新模型。
为了减少通信开销,可以是对初始生成的本地初始模型进行更新,得到最优的交通流量预测模型,即得到全局更新模型。可选的,由于全局参数可以是全局更新模型的模型权重参数,所以可以根据全局参数对本地初始模型进行更新得到更新后的、最优的训练模型,可以将该最优的模型作为全局更新模型。具体的,假设全局参数为ω0,可以根据ω0对本地初始模型进行更新,得到最优的更新模型作为全局更新模型。
步骤S240,将全局更新模型发送给所述预测终端,以使得预测终端利用全局更新模型进行交通流量预测输出的预测结果。
由于所得的全局更新模型可以是最优的交通流量预测模型,所以可以将全局更新模型发送到各个预测终端,以使预测终端可以利用全局更新模型进行交通流量的预测,得到预测结果。可选的,可以将全局更新模型发送至每个预测终端,继而每个预测终端可以利用全局更新模型对本地原始数据进行交通流量的预测,得到每个预测终端的预测结果;也可以是将愿意交换共享本地原始数据的多个预测终端,利用全局更新模型进行统一的交通流量预测,得到全局更新模型输出的某片区域内的交通流量预测结果。
上述交通流量的预测方法,首先通过获取多个预测终端发送的目标共享数据,然后根据目标共享数据生成全局参数,继而可以利用全局参数更新本地初始模型得到全局更新模型,最后可以将全局更新模型发送至预测终端进行交通流量的预测,可以在不损害隐私保护约束的条件下,根据全局更新训练模型使得每个节点都能在其本地数据上,实现精确预测交通流量。
在本发明的一些具体实施例中,目标共享数据包括:预测终端的模型参数,根据目标共享数据生成全局参数,包括:对多个预测终端发送的模型参数进行加权平均得到全局参数。
其中,预测终端的模型参数可以是每个预测终端通过本地初始模型对本地原始数据训练后得到的参数,预测终端的模型参数为加密参数,不同预测终端对应不同的模型参数。可选的,根据目标共享数据生成全局参数,可以是对目标共享数据中的预测终端的模型参数进行加权平均得到的。具体的,假设预测终端为Ov={O1,O2,…,ON},假设目标共享数据中的预测终端的模型参数为则可以根据每个预测终端的模型参数,根据如下公式进行加权平均得到全局参数ωt+1:
根据上述公式可以得到聚合后的全局参数ωt+1。根据每个预测终端上传的目标共享数据中的预测终端的模型参数,可以根据每个预测终端的权重参数进行加权平均计算得到全局参数,可以将全局参数用于更新得到全局更新模型,使得更新得到的全局更新模型适用于所有的预测终端的交通流量的预测,得到精确的预测结果。
在本发明的一些实施例中,目标共享数据还包括:全局输入数据和全局输出数据。其中,全局输入数据可以是目标共享数据中的时间步长,全局输出数据可以是目标共享数据中的真实交通流量,全局输入数据与全局输出数据均为加密的数据。参照图3,交通流量的预测方法还包括:
步骤S300,根据全局输入数据和全局输出数据生成对应于多个预测终端的全局训练样本对。
其中,全局训练样本对可以是由某个预测终端对应的全局输入数据和全局输出数据所组成的一对训练样本,不同的预测终端对应组成不同的全局训练样本对,所以可以得到对应于多个预测终端的多对全局训练样本对。可选的,假设输入的尺寸为m,假设全局输入数据为假设全局输出数据为则可以得到对应于多个预测终端的多对全局训练样本对为
步骤S310,分别根据多对全局训练样本对全局更新模型进行训练,得到对应于多个预测终端的全局更新模型。
可选的,假设全局训练样本对为假设迭代次数为n,假设学习率为α,假设利用SGD优化,假设初始化全局更新模型为J(ω0),ω0,其中,为初始化全局更新模型的参数,则可以将全局训练样本对作为全局更新模型的输入——输出对,并根据下列公式对初始化全局更新模型进行训练:
步骤S320,选取满足预设选取条件的全局更新模型发送给预测终端进行交通流量预测输出的预测结果。
其中,预设选取条件可以是预先设置的用于选择得到所需的全局更新模型的要求,预设选取条件可以根据需求设置。可选的,假设预设选取条件为选择最优的全局更新模型,则可以根据预设选取条件,选择得到最优的全局更新模型,并将最优的全局更新模型发送给预测终端进行交通流量预测。具体的,假设选择得到的最优的全局更新模型为J(ω),ω,则可以将
J(ω),ω,发送到预测终端进行交通流量预测输出的预测结果。通过获取全局训练样本对,并分别根据多对全局训练样本对对全局更新模型进行训练,得到对应于多个预测终端的全局更新模型,最后根据预设选取条件选择得到全局更新模型发送至预测终端进行交通流量预测输出的预测结果,可以通过迭代将初始化的全局更新模型更新为全局更新模型,从而可以得到符合需求的全局更新模型进行交通流量预测,得到准确的预测结果。
在本发明的一些具体实施例中,如图4A所示,本地初始模型采用以下步骤得到:
步骤S400,获取本地训练样本对集合,本地训练样本对集合包括多个本地训练样本对,本地训练样本对中包括:训练源交通流量数据样本和训练目标交通流量数据样本。
其中,训练源交通流量数据样本可以为在某个时刻预测终端需要进行训练的交通流量数据,例如交通流量密度;训练目标交通流量数据样本可以为预测得到的在某个时刻预测终端对应的交通流量数据;训练源交通流量数据样本和训练目标交通流量数据样本可以是从无需考虑隐私问题的公共数据集中采集得到的,由于公共数据集不涉及隐私问题,所以可以由云端采集训练源交通流量数据样本和训练目标交通流量数据样本进行训练得到本地初始模型。本地训练样本对可以为训练源交通流量数据样本和训练目标交通流量数据样本所组成的训练样本;本地训练样本对集合为用于进行训练的在某个时刻多个预测终端对应的本地训练样本对的集合。可以根据本地训练样本对集合训练得到本地初始模型。可选的,可以采用GRU神经网络模型结合本地交通流量数据,得到本地初始模型。具体的,假设本地训练样本对集合为Gk,可以定义本地训练样本对集合的大小为假设本地训练样本对为其中xi为训练源交通流量数据样本,yi为训练目标交通流量数据样本,则可以得到本地训练样本对集合为
步骤S410,分别提取训练源交通流量数据样本和训练目标交通流量数据样本的参数特征。
其中,训练源交通流量数据样本的参数特征可以是训练源交通流量数据对应的特征,例如训练源交通流量数据样本对应的交通流量、流速或交通流量密度等;训练目标交通流量数据样本的参数特征可以为训练目标交通流量数据样本对应点特征,例如训练目标交通流量数据样本对应的交通流量、流速或交通流量密度等。因参数特征能更好地反应训练源交通流量数据样本和训练目标交通流量数据样本的特性,所以需要分别提取训练源交通流量数据样本的参数特征和训练目标交通流量数据样本的参数特征,得到一一对应的训练源交通流量数据样本的参数特征和训练目标交通流量数据样本的参数特征。可选的,假设训练源交通流量数据样本的参数特征为交通流量Q1、流速V1、交通流量密度ρ1;假设训练目标交通流量数据样本的参数特征为交通流量Q2、流速V2、交通流量密度ρ2,分别提取Q1、V1、ρ1和Q2、V2、ρ2,得到训练源交通流量数据样本的参数特征、训练目标交通流量数据样本的参数特征。
步骤S420,将训练源交通流量数据样本的参数特征、源交通流量数据、目标交通流量数据作为待训练本地初始模型的输入,将训练目标交通流量数据样本的参数特征作为期望的输出,对待训练本地初始模型进行训练,得到训练好的本地初始模型。
其中,待训练本地初始模型可以是需要进行训练的本地初始模型;训练好的本地初始模型可以为经过训练得到的本地初始模型。可选的,可以是对待训练本地初始模型进行训练,从而得到训练好的本地初始模型。例如,将训练源交通流量数据样本的参数特征、源交通流量数据、目标交通流量数据作为待训练本地初始模型的输入,将训练目标交通流量数据样本的参数特征作为期望的输出,对待训练本地初始模型进行训练从而可以得到最优的本地交通流量预测模型,即得到训练好的本地初始模型。根据本地训练样本对集合对待训练本地初始模型进行训练,可以在不损害隐私约束的条件下,得到训练好的本地初始模型。
在本发明的一些具体实施例中,如图4B所示,在步骤S420中,将训练源交通流量数据样本的参数特征、训练源交通流量数据样本和训练目标交通流量数据样本作为待训练本地初始模型的输入,将训练目标交通流量数据样本的参数特征作为期望的输出,对待训练本地初始模型进行训练,得到训练好的本地初始模型,包括:
步骤S421,将训练源交通流量数据样本的参数特征、训练源交通流量数据样本和训练目标交通流量数据样本作为待训练本地初始模型的输入,获取待训练本地初始模型输出的实际参数特征。
其中,实际参数特征可以是待训练本地初始模型实际上输出的参数特征。由于待训练本地初始模型实际上输出的参数特征,不一定就是期望得到的参数特征,所以需要得到待训练本地初始模型实际上输出的参数特征。可选的,可以采用GRU神经网络模型作为待训练本地初始模型,可以是将训练源交通流量数据样本的参数特征、源交通流量数据、目标交通流量数据作为待训练本地初始模型的输入,得到待训练本地初始模型的输出,假设输出所得实际参数特征ω0,可以将实际参数特征ω0用于训练待训练本地初始模型。
步骤S422,根据实际参数特征和训练目标交通流量数据样本的参数特征计算得到损失值。
其中,损失值可以为表示训练目标交通流量数据样本的参数特征与实际参数特征之间的差异的数值。由于在训练阶段得到的实际参数特征与期望得到的训练目标交通流量数据样本的参数特征之间存在较大的差异,为了得到二者之间的差异,可以是根据训练目标交通流量数据样本的参数特征和实际参数特征,计算得到损失值,从而可以用损失值来表示二者之间的差异。可选的,假设实际参数特征ω0,假设损失值为fi(ω0),则可以通过下列公式计算得到本地训练样本对的损失值fi(ω0):
其中,本地训练样本对为其中xi为训练源交通流量数据样本,yi为训练目标交通流量数据样本。其中ω0∈Rd为待训练本地初始模型参数,h(·)是正则化函数。根据上述公式,可以计算得到损失值Jk(ω0),即可得到训练目标交通流量数据样本的参数特征和第二实际参数特征之间的差异。可以将用于对待训练本地初始模型中的参数、目标共享数据和目标交通流量数据进行更新。
步骤S423,根据所损失值对所述待训练本地初始模型中的参数、源交通流量数据和目标交通流量数据进行更新,直到损失值达到预设的收敛条件,将最后更新得到的待训练本地初始模型作为本地初始模型。
其中,待训练本地初始模型中的参数可以包括参数矩阵W,预设的收敛条件可以为预先设置的训练收敛条件。由于实际参数特征与目标交通流量数据的参数特征之间存在差异,为得到目标交通流量数据的参数特征,可以是根据损失值,对待训练本地初始模型中的参数、目标共享数据和目标交通流量数据进行更新,直至达到预设的收敛条件,使得训练收敛,最后可以得到更新后的各个参数。通过获取预测终端对应的本地训练样本对集合,对待训练本地初始模型进行梯度下降优化训练,可以得到训练好的本地初始模型,每个预测终端可以根据该本地初始模型训练得到对应的目标共享数据,实现保护隐私的效果。
在本发明的另一些实施例中,交通流量的预测方法,用于预测终端和云端,预测终端与云端通信连接,该方法包括:
预测终端执行如图1所示的交通流量的预测方法;
云端执行如图2所示的交通流量的预测方法。
具体的,首先可以是由预测终端获取来自云端的本地初始模型、获取源交通流量数据和目交通流量数据,并将源交通流量数据和目标交通流量数据作为输入——输出对,假设源交通流量数据和目标交通流量数据为{xi,yi},则可以根据{xi,yi}训练从云端获取的本地初始模型得到目标共享数据由预测终端将目标共享数据上传至云端;其次,可以由云端对多个预测终端上传的目标共享数据进行加权平均,聚合得到全局参数ω0,可以根据全局参数ω0更新本地初始模型得到全局更新模型;然后可以获取对应于多个预测终端的全局训练样本对该全局训练样本对可以由全局输入数据和全局输出数据组成,将全局训练样本对作为全局更新模型的输入——输出对,训练得到训练好的全局更新模型;再次,可以根据预设选取条件,例如,可以是选择最优的全局更新模型发送到预测终端;最后,可以由预测终端根据接收到的全局更新模型进行交通流量预测输出的预测结果,可以是每个预测终端进行单独预测,得到单独预测结果,也可以由多个愿意交换共享本地原始数据的预测终端进行统一预测,得到统一预测结果。通过预测终端与云端之间的交互,能够在隐私保护的约束下精确预测交通流量。
如图5所示,本发明一个实施例还提供了一种交通流量的预测装置,该装置包括:
第一获取模块500,用于获取来自云端的本地初始模型;
第二获取模块510,用于获取源交通流量数据和目标交通流量数据;
第一训练模块520,用于利用源交通流量数据和目标交通流量数据训练本地初始模型得到目标共享数据;
第一传输模块530,用于将目标共享数据传输至所述云端,以便于云端利用目标共享数据更新本地初始模型得到全局更新模型;
预测模块540,用于获取全局更新模型进行交通流量预测。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
如图6所示,本发明另一个实施例还提供了一种交通流量的预测装置,该装置包括:
传送模块600,用于向多个预测终端发送本地初始模型;
第三获取模块610,用于获取多个预测终端发送的目标共享数据;
第四获取模块620,用于根据目标共享数据生成全局参数;
更新模型630,用于利用全局参数更新本地初始模型得到全局更新模型;
第二传输模块640,用于将全局更新模型发送给预测终端,以使得预测终端利用全局更新模型进行交通流量预测输出的预测结果。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本发明还提供了一种交通流量的预测控制设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述交通流量的预测方法。
本发明还提供了一种计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行上述交通流量的预测方法。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所述技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。此外,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
Claims (12)
1.交通流量的预测方法,用于预测终端,其特征在于,所述方法包括:
获取来自云端的本地初始模型;
获取源交通流量数据和目标交通流量数据;
利用所述源交通流量数据和所述目标交通流量数据训练所述本地初始模型得到目标共享数据;
将所述目标共享数据传输至所述云端,以便于所述云端利用所述目标共享数据更新所述本地初始模型得到全局更新模型;
获取所述全局更新模型进行交通流量预测。
2.根据权利要求1所述的方法,其特征在于,所述根据所述全局更新模型预测交通流量,包括:
获取待预测交通流量数据和目标预测数据输入到所述全局更新模型中;
获取所述全局更新模型进行交通流量预测输出的预测结果。
3.交通流量的预测方法,用于云端,其特征在于,所述方法包括:
向多个预测终端发送本地初始模型;
获取多个所述预测终端发送的目标共享数据;
根据所述目标共享数据生成全局参数;
利用所述全局参数更新所述本地初始模型得到全局更新模型;
将所述全局更新模型发送给所述预测终端,以使得所述预测终端利用所述全局更新模型进行交通流量预测输出预测结果。
4.根据权利要求3所述的方法,其特征在于,所述目标共享数据包括:预测终端的模型参数,所述根据所述目标共享数据生成全局参数,包括:对多个所述预测终端发送的所述模型参数进行加权平均得到所述全局参数。
5.根据权利要求3所述的方法,其特征在于,所述目标共享数据还包括:全局输入数据和全局输出数据;
所述方法还包括:
根据所述全局输入数据和所述全局输出数据生成对应于多个所述预测终端的全局训练样本对;
分别根据多对所述全局训练样本对所述全局更新模型进行训练,得到对应于多个所述预测终端的全局更新模型;
选取满足预设选取条件的全局更新模型发送给所述预测终端进行交通流量预测输出的预测结果。
6.根据权利要求3所述的方法,其特征在于,所述本地初始模型采用以下步骤得到:
获取本地训练样本对集合,所述本地训练样本对集合包括多个本地训练样本对,所述本地训练样本对中包括:训练源交通流量数据样本和训练目标交通流量数据样本;
分别提取所述训练源交通流量数据样本和所述训练目标交通流量数据样本的参数特征;
将所述训练源交通流量数据样本的参数特征、所述训练源交通流量数据样本和所述训练目标交通流量数据样本作为待训练本地初始模型的输入,将所述训练目标交通流量数据样本的参数特征作为期望的输出,对所述待训练本地初始模型进行训练,得到训练好的本地初始模型。
7.根据权利要求6所述的方法,其特征在于,所述将所述训练源交通流量数据样本的参数特征、所述训练源交通流量数据样本和所述训练目标交通流量数据样本作为待训练本地初始模型的输入,将所述训练目标交通流量数据样本的参数特征作为期望的输出,对所述待训练本地初始模型进行训练,得到训练好的本地初始模型,包括:
将所述训练源交通流量数据样本的参数特征、所述训练源交通流量数据样本和所述训练目标交通流量数据样本作为待训练本地初始模型的输入,获取所述待训练本地初始模型输出的实际参数特征;
根据所述实际参数特征和所述训练目标交通流量数据样本的参数特征计算得到损失值;
根据所述损失值对待训练本地初始模型中的参数、所述源交通流量数据和所述目标交通流量数据进行更新,直到所述损失值达到预设的收敛条件,将最后更新得到的待训练本地初始模型作为所述本地初始模型。
8.交通流量的预测方法,用于预测终端和云端,所述预测终端与所述云端通信连接,其特征在于,所述方法包括:
所述预测终端执行如权利要求1至2任一项所述的交通流量的预测方法;对应的,所述云端执行如权利要求3-7任一项所述的交通流量的预测方法。
9.交通流量的预测装置,其特征在于,所述装置包括:
第一获取模块,用于获取来自云端的本地初始模型;
第二获取模块,用于获取源交通流量数据和目标交通流量数据;
第一训练模块,用于利用所述源交通流量数据和所述目标交通流量数据训练所述本地初始模型得到目标共享数据;
第一传输模块,用于将所述目标共享数据传输至所述云端,以便于所述云端利用所述目标共享数据更新所述本地初始模型得到全局更新模型;
预测模块,用于获取所述全局更新模型进行交通流量预测。
10.交通流量的预测装置,其特征在于,所述装置包括:
传送模块,用于向多个预测终端发送本地初始模型;
第三获取模块,用于获取多个所述预测终端发送的目标共享数据,
第四获取模块,用于根据所述目标共享数据生成全局参数;
更新模型,用于利用所述全局参数更新所述本地初始模型得到全局更新模型;
第二传输模块,用于将所述全局更新模型发送给所述预测终端,以使得所述预测终端利用所述全局更新模型进行交通流量预测输出的预测结果。
11.交通流量的预测控制设备,其特征在于,存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现:
如权利要求1至2中任一项所述的交通流量的预测方法;
或者,
如权利要求3至7任一项所述的交通流量的预测方法;
或者,
如权利要求8所述的交通流量的预测方法。
12.计算机存储介质,其特征在于,存储有计算机可执行指令,所述计算机可执行指令用于:
执行权利要求1至2中任一项所述的交通流量的预测方法;
或者,
执行权利要求3至7任一项所述的交通流量的预测方法;
或者,
如权利要求8所述的交通流量的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010406864.9A CN111710153B (zh) | 2020-05-14 | 2020-05-14 | 交通流量的预测方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010406864.9A CN111710153B (zh) | 2020-05-14 | 2020-05-14 | 交通流量的预测方法、装置、设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111710153A true CN111710153A (zh) | 2020-09-25 |
CN111710153B CN111710153B (zh) | 2022-05-13 |
Family
ID=72537314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010406864.9A Expired - Fee Related CN111710153B (zh) | 2020-05-14 | 2020-05-14 | 交通流量的预测方法、装置、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111710153B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117423238A (zh) * | 2023-12-19 | 2024-01-19 | 北京华录高诚科技有限公司 | 基于卷积交换网络的交通流量一体式预测装置及预测方法 |
CN117474129A (zh) * | 2023-12-27 | 2024-01-30 | 苏州元脑智能科技有限公司 | 一种多云共享分布式预测系统、方法、装置及电子设备 |
-
2020
- 2020-05-14 CN CN202010406864.9A patent/CN111710153B/zh not_active Expired - Fee Related
Non-Patent Citations (1)
Title |
---|
YI LIU,ET AL: "Privacy-preserving Traffic Flow Prediction:A Federated Learning Approach", 《IEEE INTERNET OF THINGS JOURNAL》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117423238A (zh) * | 2023-12-19 | 2024-01-19 | 北京华录高诚科技有限公司 | 基于卷积交换网络的交通流量一体式预测装置及预测方法 |
CN117474129A (zh) * | 2023-12-27 | 2024-01-30 | 苏州元脑智能科技有限公司 | 一种多云共享分布式预测系统、方法、装置及电子设备 |
CN117474129B (zh) * | 2023-12-27 | 2024-03-08 | 苏州元脑智能科技有限公司 | 一种多云共享分布式预测系统、方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111710153B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782042B (zh) | 横向联邦和纵向联邦联合方法、装置、设备及介质 | |
CN111739285A (zh) | 交通流量的预测方法、装置、设备及计算机存储介质 | |
CN109636049B (zh) | 一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法 | |
CN114827198B (zh) | 一种应用于车联网的多层中心异步联邦学习方法 | |
Teimoori et al. | A secure cloudlet-based charging station recommendation for electric vehicles empowered by federated learning | |
CN111710153B (zh) | 交通流量的预测方法、装置、设备及计算机存储介质 | |
CN113763700B (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
CN113037783B (zh) | 一种异常行为检测方法及系统 | |
CN116862012A (zh) | 机器学习模型训练方法、业务数据处理方法、装置及系统 | |
Li et al. | Feel: Federated end-to-end learning with non-iid data for vehicular ad hoc networks | |
da Silva et al. | Towards federated learning in edge computing for real-time traffic estimation in smart cities | |
CN117561517A (zh) | 用于在路线规划应用中预测交通状况的计算机实现的设备和方法 | |
Shinkuma et al. | Data assessment and prioritization in mobile networks for real-time prediction of spatial information using machine learning | |
CN111459780A (zh) | 用户识别方法、装置、可读介质及电子设备 | |
CN116346863A (zh) | 基于联邦学习的车载网数据处理方法、装置、设备及介质 | |
CN115880538A (zh) | 图像处理模型的域泛化、图像处理的方法及设备 | |
CN115640852A (zh) | 联邦学习参与节点选择优化方法、联邦学习方法及系统 | |
CN115085921A (zh) | 模型训练方法、节点检测方法、装置、设备及介质 | |
CN115049151A (zh) | 导航路线推荐方法、装置、设备及存储介质 | |
Kitagawa et al. | Urban traffic control using distributed multi-agent deep reinforcement learning | |
CN112182431A (zh) | 参考地点推荐方法、装置、设备以及存储介质 | |
Sasirekha et al. | An Enhanced Vehicle to Cloud Communication by Prediction Based Machine Learning Approaches | |
CN115834580B (zh) | 面向海洋大数据的分布式数据处理方法、装置和设备 | |
CN113902137B (zh) | 流式模型训练方法、装置、计算机设备及存储介质 | |
US20220335312A1 (en) | System and method for distributed model adaptation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220513 |