CN113657606A - 车联网场景下分压聚合的局域联邦学习方法 - Google Patents
车联网场景下分压聚合的局域联邦学习方法 Download PDFInfo
- Publication number
- CN113657606A CN113657606A CN202110758567.5A CN202110758567A CN113657606A CN 113657606 A CN113657606 A CN 113657606A CN 202110758567 A CN202110758567 A CN 202110758567A CN 113657606 A CN113657606 A CN 113657606A
- Authority
- CN
- China
- Prior art keywords
- local
- training
- road side
- vehicles
- aggregation
- 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
- 230000002776 aggregation Effects 0.000 title claims abstract description 54
- 238000004220 aggregation Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 122
- 238000004891 communication Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 16
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000006116 polymerization reaction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车联网场景下分压聚合的局域联邦学习方法。该方法包括:步骤1:多个路侧单元之间建立通信形成一个局域网,并在多个所述路侧单元中选择一个路侧单元作为代理组长;步骤2:代理组长选定训练任务,建立该训练任务的初始模型状态,将训练任务通过广播发布至密集区域内的车辆;步骤3:参与训练任务的车辆使用本地数据对接收到的训练任务的当前模型状态进行本地训练,并将本地训练模型上传至最近的路侧单元;步骤4:各个路侧单元分别接收车辆的本地训练模型并将其进行平均聚合,将聚合得到的当前模型状态反馈至对应的车辆;步骤5:迭代执行步骤3至步骤4,直至聚合得到的当前模型状态满足要求。
Description
技术领域
本发明涉及车联网技术领域,尤其涉及一种车联网场景下分压聚合的局域联邦学习方法。
背景技术
随着车联网(IoV)的不断完善,车辆之间的数据交互越来越多。车辆可以利用车载电子设备获取的道路信息,结合驾驶员的环境感知能力,帮助驾驶员有更好的驾驶体验。车辆之间的数据共享是提高数据利用率、充分挖掘数据价值的有效手段之一,然而大多数驾驶员由于个人信息泄露而拒绝向数据中心上传数据,降低了数据共享过程的有效性,阻碍了IoV的发展。
联邦学习技术在保护数据隐私方面具有一定的优势。随着公众隐私保护意识的日益增强,利用联邦学习的数据隐私保护方法逐渐应用到各个领域。在基于联邦学习的IoV中,车辆在不暴露本地数据的情况下进行协同训练。车辆只需要将训练好的模型参数共享给路侧单元(Road Side Units,RSUs),因为不需要共享整个原始数据集,从而降低了隐私风险。
但是,基于联邦学习的IoV技术在密集地区的车辆培训中仍面临挑战。密集的车辆区域比其他区域有更重的训练任务,使RSU承受更大的通信和计算开销。在十字路口等密集区域,车辆具有聚集度高、对模型训练要求高、停留时间短、车型多样、路况变化快等特点。传统的联邦学习方法,如FedSGD和FedAvg算法(参考文献:McMahan B,Moore E,Ramage D,et al.Communication-efficient learning of deep networks from decentralizeddata[C]//Artificial Intelligence and Statistics.PMLR,2017:1273-1282.),通常将车辆局部模型的更新聚合在单个中心节点上。在密集车辆场景中,单个中心节点面临更多的通信和计算压力,训练时间较大,因此传统的联邦学习方法由于模型训练效率低下,不适合密集车辆训练。
发明内容
针对传统的联邦学习方法由于模型训练效率低下,不适合密集车辆训练的问题,本发明提供一种车联网场景下分压聚合的局域联邦学习方法。
本发明提供一种车联网场景下分压聚合的局域联邦学习方法,包括:
步骤1:多个路侧单元之间建立通信形成一个局域网,并在多个所述路侧单元中选择一个路侧单元作为代理组长;
步骤2:代理组长选定训练任务,建立该训练任务的初始模型状态,将训练任务通过广播发布至密集区域内的车辆;
步骤3:参与训练任务的车辆使用本地数据对接收到的训练任务的当前模型状态进行本地训练,并将本地训练模型上传至最近的路侧单元;
步骤4:各个路侧单元分别接收车辆的本地训练模型并将其进行平均聚合,将聚合得到的当前模型状态反馈至对应的车辆;
步骤5:迭代执行步骤3至步骤4,直至聚合得到的当前模型状态满足要求。
进一步地,步骤3中,参与训练任务的车辆使用本地数据对接收到的训练任务的当前模型状态进行本地训练,具体包括:
进一步地,步骤4中,各个路侧单元分别在预设时间内接收车辆的本地训练模型并将其进行平均聚合,具体包括:
路侧单元在预设时间内接收车辆上传的本地训练模型,按照式(1)对该本地训练模型进行累加:
其中,TS表示路侧单元对在预设时间S内接收到的本地训练模型的累加结果,ωi表示车辆i上传的本地训练模型,M表示路侧单元在第T轮聚合过程中所收集到的参加训练任务的车辆数;
路侧单元按照式(2)对收集到的所有本地训练模型进行平均聚合:
其中,ωT表示路侧单元进行第T轮聚合所产生的当前模型状态。
进一步地,步骤4中还包括:判断路侧单元收集车辆的本地训练模型的所用时间是否小于预设时间,若否,路侧单元之间则将各自聚合的当前模型状态进行共享,然后按照式(3)对共享的当前模型状态再次进行平均聚合,并将再次平均聚合后的当前模型状态反馈至对应的车辆:
其中,ω'表示对所有路侧单元聚合的当前模型状态再次进行平均聚合后所得到的当前模型状态,K表示路侧单元的个数,ωj表示路侧单元j聚合的当前模型状态。
进一步地,若路侧单元收集车辆的本地训练模型的所用时间小于预设时间,则返回步骤3。
本发明的有益效果:
本发明提供的车联网场景下分压聚合的局域联邦学习方法,提出了一种双层联邦架构(即:多个RSU在上层学习中联合训练模型,车辆在下层学习中联合训练模型),以提高密集车辆互联网的学习效率;基于该双层联邦架构,可以减少模型训练过程中的平均聚集时间,从而保持车辆局部数据隐私,提高学习效率。本发明还利用法国Creteil Europarc环形交叉微观车辆移动轨迹的真实世界数据集进行了仿真,仿真结果证明了本发明提出的高效联邦学习方法的有效性。
附图说明
图1为本发明实施例提供的车联网场景下分压聚合的局域联邦学习方法的流程示意图之一;
图2为本发明实施例提供的采用本发明方法的车辆间、路侧单元间、车辆与路侧单元间的数据交互过程示意图;
图3为本发明实施例提供的车联网场景下分压聚合的局域联邦学习方法的流程示意图之二;
图4为本发明实施例提供的车辆数与隐私保护程度变化关系图;
图5为本发明实施例提供的单位时间内学习效率变化图;
图6为本发明实施例提供的单位时间内精度的变化示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供一种车联网场景下分压聚合的局域联邦学习方法,包括:
S101:多个路侧单元之间建立通信形成一个局域网,并在多个所述路侧单元中选择一个路侧单元作为代理组长;
S102:代理组长选定训练任务,建立该训练任务的初始模型状态,将训练任务通过广播发布至密集区域内的车辆;
密集区域包括但不限于十字路口所在区域。
S103:参与训练任务的车辆使用本地数据对接收到的训练任务的当前模型状态进行本地训练,并将本地训练模型上传至最近的路侧单元;
S104:各个路侧单元分别接收车辆的本地训练模型并将其进行平均聚合,将聚合得到的当前模型状态反馈至对应的车辆;
S105:迭代执行步骤S103至步骤S104,直至聚合得到的当前模型状态满足要求。
在上述实施例的基础上,结合图2至图3,本发明实施例还提供一种车联网场景下分压聚合的局域联邦学习方法,包括以下步骤:
S201:K个路侧单元之间建立通信形成一个局域网,并在K个所述路侧单元中选择一个路侧单元作为代理组长;
具体地,可以通过各路侧单元的通信及计算能力综合评估选出一个路侧单元作为代理组长。
S202:代理组长选定训练任务,建立该训练任务的初始模型状态ω0,将训练任务通过广播发布至密集区域内的车辆;
S203:参与训练任务的车辆使用本地数据对接收到的训练任务的当前模型状态进行本地训练,并将本地训练模型上传至最近的路侧单元;
具体地,车辆接收到代理组长发布的训练任务信息后,车主根据车辆状态、奖励等情况综合考虑,决定是否参与该训练任务。若决定参与该训练任务,车辆则与最近的路侧单元建立通信,路侧单元为其向代理组长注册临时的索引,代理组长为参与训练任务的车辆建立临时索引,该临时索引为动态变化的集合C={C1,C2,…,Ci,…,CM},Ci表示车辆i的索引值,i∈{1,2,…,M}。
车辆进行本地训练的过程为:车辆i根据本地数据和当前模型状态计算第t次迭代过程的梯度下降其中,f(ω)=l(ω,D),f(ω)表示预测损失函数,ω表示车辆接收到的当前模型状态,D表示车辆的本地数据,表示梯度算子;
需要说明的是,实际应用中,车辆根据计算能力选择本地单轮迭代或本地多轮迭代。其中本地单轮迭代对车辆算力的要求较低,本地多轮迭代对车辆算力的要求相对较高,多轮迭代所训练出的模型更新相对较好。
S204:各个路侧单元分别接收车辆的本地训练模型并将其进行平均聚合,将聚合得到的当前模型状态反馈至对应的车辆,车辆接收到当前模型状态后即开始新一轮训练;
具体地,路侧单元在预设时间内接收车辆上传的本地训练模型,按照式(1)对该本地训练模型进行累加:
其中,TS表示路侧单元对在预设时间S内接收到的本地训练模型的累加结果,ωi表示车辆i上传的本地训练模型,M表示路侧单元在第T轮聚合过程中所收集到的参加训练任务的车辆数;
路侧单元按照式(2)对收集到的所有本地训练模型进行平均聚合:
其中,ωT表示路侧单元进行第T轮聚合所产生的当前模型状态。
S205:判断路侧单元收集车辆的本地训练模型的所用时间Tt是否小于预设时间Tm1,若Tt不小于Tm1,路侧单元之间则将各自聚合的当前模型状态进行共享,然后按照式(3)对共享的当前模型状态再次进行平均聚合,并将再次平均聚合后的当前模型状态反馈至对应的车辆:
其中,ω'表示对所有路侧单元聚合的当前模型状态再次进行平均聚合后所得到的当前模型状态,K表示路侧单元的个数,ωj表示路侧单元j聚合的当前模型状态,j表示路侧单元的索引号。
若Tt小于Tm1,则返回执行步骤S203。
需要说明的是,K个路侧单元接收车辆上传的本地训练模型的接收过程是同时结束的。
具体地,路侧单元之间定期将其本地模型状态进行局域内共享,并将共享所得的模型状态再次进行平均聚合以达到更佳的训练效果。
S206:迭代执行步骤S203至步骤S205,直至聚合得到的当前模型状态满足要求。
在实际应用中,还可设置奖励机制,该奖励机制具体为:训练产生的模型对参与训练的车辆免费提供,帮助车主进行路况信息的预测。未参与训练的车辆可以提供一定的资金支持获得该模型服务。这些资金用于奖励训练过程中贡献较大的参与者。
本发明实施例的算法代码如表1所示。
表1算法代码
本发明实施例提供的车联网场景下分压聚合的局域联邦学习方法,车辆通过本地数据及当前模型更新进行模型训练,将模型更新上传至最近的路侧单元参与模型聚合。每个路侧单元对规定时间范围内所收集到的车辆所上传的模型更新进行平均聚合,路侧单元与车辆之间反复多次迭代。路侧单元间定期进行模型状态共享来再次进行模型平均以提高模型训练的学习效率。车辆会选择距离最近的路侧单元上传本地更新,将通信及计算压力分散至多个路侧单元上,反复迭代该训练过程直至完成整个模型训练,密集区域车辆的学习效率可以得到很大提高,减少模型训练过程中的平均聚合时间,车辆采用联邦学习方法进行模型训练,通过车辆本地数据不离开本地来保护车辆的数据隐私。本发明方法与FedSGD算法及FedAVG算法相比,缓解了密集区域车辆进行任务训练时路侧单元的通信及计算压力,大大提高了车辆训练的效率。
为了验证本发明方法的有效性,本发明通过一个公开且真实的代理数据集,对车辆在十字路口行车速度进行预测。
该代理数据集是法国克雷泰伊的一个环形道路上早上两小时(7.00-9.00)及晚上两小时(17.00-19.00)的车辆行驶数据,数据集采样间隔时间为1秒,车辆轨迹数据包含了车辆ID、时间、车辆类型、坐标、车辆速度等信息(参考文献:Microscopic vehicularmobility trace of Europarc roundabout[DB/OL].(2013-09-24)[2013-09-24].http://vehicular-mobility-trace.github.io/.)。本发明在Intel Core i5-1035G1 CPU@1.00GHz处理器及16.0GB(15.8GB可用)RAM内存配置的Lenovo笔记本计算机上进行仿真验证。在模拟中采用清晨7:00收集的数据,在经过3000秒,路侧单元收集到130辆轿车及公交车产生的数据来完成训练任务以测试该方案的有效性。出版商将计算任务分配到车联网中,并选择相应车辆及路侧单元来完成任务。模拟结果从10000次独立运行中产生。
根据本发明方法,车辆根据与路侧单元之间的距离选择距离最近的路侧单元上传其训练的模型更新,其中车辆在本地采用了多种本地训练方式来进行比较。多个路侧单元之间进行共享,将模型状态再次平均聚合。本发明还给出了单位时间内不同数量的路侧单元参与模型聚合产生的效果对比情况。为验证这一点,设置车辆学习能力相同来进行该实验。验证了多个路侧单元参与模型聚合情况下学习效率明显高于单个路侧单元参与聚合的学习效率。车辆进行本地训练时,设置每次迭代本地学习的时间t=0.2秒,通信基本耗时常数k=0.05。根据以往工作可知FedAVG在本地迭代5次时效果最好(参考文献:McMahan B,Moore E,Ramage D,et al.Communication-efficient learning of deep networks fromdecentralized data[C]//Artificial Intelligence and Statistics.PMLR,2017:1273-1282),故设置m=5。
在测试表现中车辆数据隐私安全程度较高。如图4所示,采用联邦学习技术可以降低车辆在数据传输过程中隐私泄露的概率,一定程度上保护了车辆的数据隐私。同时还可以观察到,随着参与训练的车辆数量不断增多,车辆的数据隐私会被保护的更好。随着参与聚合任务的路侧单元数量增多,车辆数据隐私的安全问题会进一步得到保障。
在不同本地训练方法及多个参与模型聚合的路侧单元中对本发明方法的学习效率进行评估。如图5所示,采用本发明方法的学习效率明显高于传统联邦学习算法中单个路侧单元进行聚合的学习效率,同时可以观察到随着参与模型聚合的路侧单元数量不断增多,学习效率会进一步得到提高。车辆在本地进行模型训练时采用FedAVG的算法比FedSGD较好一些。
根据车辆本地历史速度信息预测未来一段时间内车辆速度及该路段可能出现的路况,其相关预测的准确率及时间的关系如图6所示。本发明方法对相关预测准确率的把握比传统联邦学习训练方式更加精准。相比于传统的FedSGD及FedAVG算法,本发明方法能够更好的应用于密集区域环境下的模型预测训练。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.车联网场景下分压聚合的局域联邦学习方法,其特征在于,包括:
步骤1:多个路侧单元之间建立通信形成一个局域网,并在多个所述路侧单元中选择一个路侧单元作为代理组长;
步骤2:代理组长选定训练任务,建立该训练任务的初始模型状态,将训练任务通过广播发布至密集区域内的车辆;
步骤3:参与训练任务的车辆使用本地数据对接收到的训练任务的当前模型状态进行本地训练,并将本地训练模型上传至最近的路侧单元;
步骤4:各个路侧单元分别接收车辆的本地训练模型并将其进行平均聚合,将聚合得到的当前模型状态反馈至对应的车辆;
步骤5:迭代执行步骤3至步骤4,直至聚合得到的当前模型状态满足要求。
5.根据权利要求4所述的车联网场景下分压聚合的局域联邦学习方法,其特征在于,若路侧单元收集车辆的本地训练模型的所用时间小于预设时间,则返回步骤3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110758567.5A CN113657606B (zh) | 2021-07-05 | 2021-07-05 | 车联网场景下分压聚合的局域联邦学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110758567.5A CN113657606B (zh) | 2021-07-05 | 2021-07-05 | 车联网场景下分压聚合的局域联邦学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657606A true CN113657606A (zh) | 2021-11-16 |
CN113657606B CN113657606B (zh) | 2024-06-18 |
Family
ID=78477935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110758567.5A Active CN113657606B (zh) | 2021-07-05 | 2021-07-05 | 车联网场景下分压聚合的局域联邦学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657606B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117812564A (zh) * | 2024-02-29 | 2024-04-02 | 湘江实验室 | 一种应用于车联网的联邦学习方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008704A (zh) * | 2019-11-29 | 2020-04-14 | 上海能塔智能科技有限公司 | 电动汽车联邦学习的处理方法、装置、设备与存储介质 |
US20210073639A1 (en) * | 2018-12-04 | 2021-03-11 | Google Llc | Federated Learning with Adaptive Optimization |
CN112583575A (zh) * | 2020-12-04 | 2021-03-30 | 华侨大学 | 一种车联网中基于同态加密的联邦学习隐私保护方法 |
CN113055488A (zh) * | 2021-03-23 | 2021-06-29 | 重庆邮电大学 | 多层联邦深度强化学习的车辆边缘协作缓存方法及系统 |
-
2021
- 2021-07-05 CN CN202110758567.5A patent/CN113657606B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210073639A1 (en) * | 2018-12-04 | 2021-03-11 | Google Llc | Federated Learning with Adaptive Optimization |
CN111008704A (zh) * | 2019-11-29 | 2020-04-14 | 上海能塔智能科技有限公司 | 电动汽车联邦学习的处理方法、装置、设备与存储介质 |
CN112583575A (zh) * | 2020-12-04 | 2021-03-30 | 华侨大学 | 一种车联网中基于同态加密的联邦学习隐私保护方法 |
CN113055488A (zh) * | 2021-03-23 | 2021-06-29 | 重庆邮电大学 | 多层联邦深度强化学习的车辆边缘协作缓存方法及系统 |
Non-Patent Citations (1)
Title |
---|
贾延延;张昭;冯键;王春凯;: "联邦学习模型在涉密数据处理中的应用", 中国电子科学研究院学报, no. 01, 20 January 2020 (2020-01-20) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117812564A (zh) * | 2024-02-29 | 2024-04-02 | 湘江实验室 | 一种应用于车联网的联邦学习方法、装置、设备及介质 |
CN117812564B (zh) * | 2024-02-29 | 2024-05-31 | 湘江实验室 | 一种应用于车联网的联邦学习方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113657606B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Tripres: Traffic flow prediction driven resource reservation for multimedia iov with edge computing | |
Alexander et al. | Assessing the impact of real-time ridesharing on urban traffic using mobile phone data | |
CN110400015B (zh) | 一种时间估计方法及其装置、设备 | |
CN109272157A (zh) | 一种基于门控神经网络的高速公路交通流参数预测方法及系统 | |
Jin et al. | Improving traffic operations using real-time optimal lane selection with connected vehicle technology | |
CN112071062B (zh) | 一种基于图卷积网络和图注意力网络的行车时间估计方法 | |
CN111681433A (zh) | 一种交叉口交通信号灯配时优化方法和装置 | |
CN110570672A (zh) | 一种基于图神经网络的区域交通信号灯控制方法 | |
CN108335483B (zh) | 交通拥堵扩散路径的推断方法及其系统 | |
CN112907970B (zh) | 一种基于车辆排队长度变化率的可变车道转向控制方法 | |
CN114241751B (zh) | 一种面向大型停车场的多出入口动静态交通协调优化方法 | |
CN115100848B (zh) | 一种地面交通拥堵的出行溯源方法和系统 | |
CN109489679B (zh) | 一种导航路径中的到达时间计算方法 | |
Moshahedi et al. | Alpha-fair large-scale urban network control: A perimeter control based on a macroscopic fundamental diagram | |
CN113657606A (zh) | 车联网场景下分压聚合的局域联邦学习方法 | |
El Joubari et al. | A stochastic mobility model for traffic forecasting in urban environments | |
Luo et al. | ACP based large-scale coordinated route planning: from perspective of Cyber-Physical-Social Systems | |
CN112750298B (zh) | 一种基于smdp和drl的货车编队动态资源分配方法 | |
CN114120670A (zh) | 用于交通信号控制的方法和系统 | |
Chen et al. | Traffic signal optimization control method based on adaptive weighted averaged double deep Q network | |
Sun et al. | Task offloading method of internet of vehicles based on cloud-edge computing | |
CN116993391A (zh) | 一种站点式共享单车系统使用需求预测方法 | |
CN113516277B (zh) | 一种基于路网动态定价的网联智能交通路径规划方法 | |
CN114973704A (zh) | 信号控制策略的生成方法及装置、设备、存储介质 | |
Othman et al. | Performance analysis to evaluate overtaking behavior on highways |
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 |