CN115049522A - 一种面向电力物联网的电力终端多任务联邦学习方法 - Google Patents
一种面向电力物联网的电力终端多任务联邦学习方法 Download PDFInfo
- Publication number
- CN115049522A CN115049522A CN202210986128.4A CN202210986128A CN115049522A CN 115049522 A CN115049522 A CN 115049522A CN 202210986128 A CN202210986128 A CN 202210986128A CN 115049522 A CN115049522 A CN 115049522A
- Authority
- CN
- China
- Prior art keywords
- power
- task
- global model
- power terminal
- service provider
- 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 39
- 230000002776 aggregation Effects 0.000 claims abstract description 16
- 238000004220 aggregation Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 42
- 239000000126 substance Substances 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 14
- 230000008901 benefit Effects 0.000 claims description 13
- 230000005611 electricity Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 239000000203 mixture Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 239000004480 active ingredient Substances 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000002775 capsule Substances 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Accounting & Taxation (AREA)
- Public Health (AREA)
- Genetics & Genomics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向电力物联网的电力终端多任务联邦学习方法,1)电力服务提供商在云平台发布联邦学习任务后,云平台初始化全局模型;2)云平台将全局模型依次分发到边缘聚合器和电力终端,在电力终端通过使用本地能量数据训练本地模型,本地模型训练完毕后上传到边缘聚合器;3)利用边缘聚合器在边缘平台中执行边缘聚合后将局部模型发送到云平台进行中心聚合,获得全局模型;全局模型预测电量。
Description
技术领域
本发明涉及一种面向电力物联网的电力终端多任务联邦学习方法,属于电力物联网环境下的私人能源数据共享技术领域。
背景技术
在传统的物联网人工智能领域中,分布在用户物联网设备上的大量个人能源数据需要迁移到中央存储器(如云平台或边缘设备),才能进行内容提取,这可能会带来严重的隐私侵犯和数据滥用风险。
联邦学习作为一种极具吸引力的基于人工智能的隐私保护方式,使电力终端能够在不暴露本地能源数据的情况下合作训练共享人工智能模型。然而,由于数据的非独立同分布,本地模型的低质量共享以及潜在的安全和效率等问题,阻碍了电力物联网中基于联邦学习的物联网人工智能服务的部署。随着智能设备在电力物联网中的普及,大量的能源数据是由单个智能设备产生的。此外,用户还可以享受个性化的能源服务,提高体验质量。尽管联邦学习带来了巨大的好处,但在电力物联网中的私人能源数据共享方面,联邦学习仍面临一系列基本挑战。
在电力物联网中,异构用户(如住宅区、商业区和工业区)拥有的训练数据通常是非独立同分布的。现有研究表明,与独立同分布数据相比,使用非独立同分布数据的联邦学习的准确性可能会下降,进而增加了电力服务提供商评估学习过程中准确度损失成本的难度。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种面向电力物联网的电力终端多任务联邦学习方法。
为达到上述目的,本发明提供一种面向电力物联网的电力终端多任务联邦学习方法,包括J个电力服务提供商、I个电力终端和L个边缘聚合器,
J'={1,2,…,J},I'={1,2,…,I},L'={1,2,…,L},具体步骤如下:
历史用电量参数包括某地区每日平均用电时长、某地区每日平均用电功率、某地区住户总数和某地区工厂总数。
优先地,步骤三中,训练获得全局模型,通过以下步骤实现:
步骤3-1):建立电力终端i参与电力服务提供商j的第k个任务γ j,k 的效益函数:
其中,λ n 为正曲线拟合参数,1≤n≤6,W i,j,k 为电力终端i参与γ j,k 的样本分布差异值,代表标签集合,P i,j,k (y=u)代表标签u的样本在训练数据集所占的的比例,P j,k (y=u)代表标签u的样本在训练数据集中所占的比例,是加入γ j,k 的一组电力终端,I j,k 是加入γ j,k 的电力终端的总数量;Q i,j,k 代表样本的数据质量,Q i,j,k ∈[0,1];
步骤3-2):建立电力服务提供商j在γ j,k 中的效益函数π j,k :
其中,μ是平衡全局模型推理精度和总奖励的权重参数,λ c 是调节参数;
是加入γ j,k 的一组电力终端,δ i,j,k 是在γ j,k 中电力终端i的本地模型推理精度达到设定的最高阈值时的付款,是电力服务提供商j向云平台支付的全局模型聚合成本,代表全局模型大小,I j,k 代表参与γ j,k 的电力终端数量,p cloud 是电力服务提供商向云平台支付的单位款项,代表γ j,k 的全局模型推理精度;
步骤3-3):建立联合优化问题:
步骤3-4):利用遗传算法求解步骤3-3)的联合优化问题,得到Q i,j,k 、S i,j,k 和δ i,j,k 的解。
优先地,总成本包括本地数据成本、本地计算成本和通信成本。
优先地,t的数值按照设定的规则变化,具体是指:
t的数值增加1的设定倍数。
一种电子设备,包括存储器、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,其特征在于,所述处理器执行所述程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一项所述方法的步骤。
本发明所达到的有益效果:
(1)本发明可以更好地预测用电量,本方法与之前大部分研究中假设电力终端的训练数据遵循理想的独立同分布不同,重点研究关注训练样本数据的非独立同分布情况;
(2)本方法考虑到电力终端可能通过传播低质量、冗余或无意义的本地模型来欺骗电力服务提供商,本发明方法步骤三中,相较之前现有技术中只研究的单一性,本发明考虑到多维电力终端私有信息,如培训成本、数据质量和数据分布差异等,数据效用评估方法更加全面。
(3)步骤三中,与之前大部分研究中假设电力终端的训练数据遵循理想的独立同分布不同,本发明重点研究关注在实际情况中更为普遍的训练样本数据的非独立同分布情况。
(4)步骤三中,在本发明提出的数据效用评估方法以及非独立同分布的电力终端回报模型基础之上,考虑到电力终端可能会通过传播低质量、冗余或无意义的本地模型来欺骗电力服务提供商的情况,本发明针对电力终端和电力服务提供商提出效益函数和联合优化问题,以提高学习的公平性,从而提高通信效率和电力终端的隐私保护。
(5)本方法在提出的数据效用评估方法基础之上,针对电力终端和电力服务提供商提出效益函数和联合优化问题。
附图说明
图1是本发明的框架图;
图2是本发明的流程图。
附图标记含义,1-电力服务提供商;2-云平台;3-聚合器;4-电力终端。
具体实施方式
以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一
一种面向电力物联网的电力终端多任务联邦学习方法,包括J个电力服务提供商、I个电力终端和L个边缘聚合器,
J'={1,2,…,J},I'={1,2,…,I},L'={1,2,…,L},具体步骤如下:
历史用电量参数包括某地区每日平均用电时长、某地区每日平均用电功率、某地区住户总数和某地区工厂总数。
进一步地,本实施例中步骤三中,训练获得全局模型,通过以下步骤实现:
步骤3-1):建立电力终端i参与电力服务提供商j的第k个任务γ j,k 的效益函数:
其中,λ n 为正曲线拟合参数,1≤n≤6,W i,j,k 为电力终端i参与γ j,k 的样本分布差异值,代表标签集合,P i,j,k (y=u)代表标签u的样本在训练数据集所占的的比例,P j,k (y=u)代表标签u的样本在训练数据集中所占的比例,是加入γ j,k 的一组电力终端,I j,k 是加入γ j,k 的电力终端的总数量;Q i,j,k 代表样本的数据质量,Q i,j,k ∈[0,1];
步骤3-2):建立电力服务提供商j在γ j,k 中的效益函数π j,k :
其中,μ是平衡全局模型推理精度和总奖励的权重参数,λ c 是调节参数;
是加入γ j,k 的一组电力终端,δ i,j,k 是在γ j,k 中电力终端i的本地模型推理精度达到设定的最高阈值时的付款,是电力服务提供商j向云平台支付的全局模型聚合成本,代表全局模型大小,I j,k 代表参与γ j,k 的电力终端数量,p cloud 是电力服务提供商向云平台支付的单位款项,代表γ j,k 的全局模型推理精度;
步骤3-3):建立联合优化问题:
步骤3-4):利用遗传算法求解步骤3-3)的联合优化问题,得到Q i,j,k 、S i,j,k 和δ i,j,k 的解。
进一步地,本实施例中总成本包括本地数据成本、本地计算成本和通信成本。
进一步地,本实施例中t的数值按照设定的规则变化,具体是指:
t的数值增加1的设定倍数。
一种电子设备,包括存储器、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,其特征在于,所述处理器执行所述程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一项所述方法的步骤。
电力服务提供商、云平台、聚合器和电力终端上述部件在现有技术中可采用的型号很多,本领域技术人员可根据实际需求选用合适的型号,本实施例不再一一举例。
实施例二
如图1所示,一种面向电力物联网的电力终端多任务联邦学习方法,该方法首先提出了一个边缘云辅助的联邦学习框架,用于电力物联网中高效通信和保护隐私的能源数据共享。电力服务提供商可以向云平台发布一组联邦学习任务,并从电力终端共享的个人能源数据中获取数据。云平台将全局模型分发至边缘聚合器集群,对边缘聚合器发送回来的经过局部聚合后的局部模型中心聚合。边缘聚合器作为边缘计算节点,可以为其覆盖区域内的电力终端提供边缘计算和局部模型聚合服务,缓解联邦学习中远程数据传输所涉及的高延迟和间歇性连接。不同边缘聚合器覆盖范围内的电力终端被分为不同的集合区域,其产生的本地训练数据是属于非独立同分布的。基于该框架的的整体联邦学习流程主要包括任务发布和模型初始化、本地更新、边缘聚合、中心聚合。
如图2所示,考虑到异构用户的非独立同分布,将独立同分布视为特例,开发了联邦学习中的数据评估机制,并给出了电力终端和电力服务提供商的效益函数及其优化问题。特别是,采取搭便车行为(Q i,j,k =0)的电力终端将受到零支付机制的惩罚,以提高学习的公平性。
为了补偿电力终端在联邦学习过程中的学习成本,电力服务提供商j为参与任务γ j,k 的电力终端i确定其支付策略作为对其贡献的奖励。
其中,λ n 为正曲线拟合参数,1≤n≤6,W i,j,k 为电力终端i参与γ j,k 的样本分布差异值,代表标签集合,P i,j,k (y=u)代表标签u的样本在训练数据集所占的的比例,P j,k (y=u)代表标签u的样本在训练数据集中所占的比例,是加入γ j,k 的一组电力终端,I j,k 是加入γ j,k 的电力终端的总数量;Q i,j,k 代表样本的数据质量,Q i,j,k ∈[0,1];
电力服务提供商对不参与联邦学习过程(即S i,j,k =0)或采取欺骗行为(即Q i,j,k =0)的电力终端采取零支付策略。
电力服务提供商j根据贡献向电力终端i支付相应的费用δ i,j :
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.一种面向电力物联网的电力终端多任务联邦学习方法,其特征在于,包括J个电力服务提供商、I个电力终端和L个边缘聚合器,
J'={1,2,…,J},I'={1,2,…,I},L'={1,2,…,L},具体步骤如下:
4.根据权利要求3所述的一种面向电力物联网的电力终端多任务联邦学习方法,其特征在于,
步骤3-1):建立电力终端i参与电力服务提供商j的第k个任务γ j,k 的效益函数:
其中,λ n 为正曲线拟合参数,1≤n≤6,W i,j,k 为电力终端i参与γ j,k 的样本分布差异值,代表标签集合,P i,j,k (y=u)代表标签u的样本在训练数据集所占的的比例,P j,k (y=u)代表标签u的样本在训练数据集中所占的比例,是加入γ j,k 的一组电力终端,I j,k 是加入γ j,k 的电力终端的总数量;Q i,j,k 代表样本的数据质量,Q i,j,k ∈[0,1];
步骤3-2):建立电力服务提供商j在γ j,k 中的效益函数π j,k :
其中,μ是平衡全局模型推理精度和总奖励的权重参数,λ c 是调节参数;
是加入γ j,k 的一组电力终端,δ i,j,k 是在γ j,k 中电力终端i的本地模型推理精度达到设定的最高阈值时的付款,是电力服务提供商j向云平台支付的全局模型聚合成本,代表全局模型大小,I j,k 代表参与γ j,k 的电力终端数量,p cloud 是电力服务提供商向云平台支付的单位款项,代表γ j,k 的全局模型推理精度;
步骤3-3):建立联合优化问题:
步骤3-4):利用遗传算法求解步骤3-3)的联合优化问题,得到Q i,j,k 、S i,j,k 和δ i,j,k 的解。
6.根据权利要求4所述的一种面向电力物联网的电力终端多任务联邦学习方法,其特征在于,
总成本包括本地数据成本、本地计算成本和通信成本。
7.根据权利要求1所述的一种面向电力物联网的电力终端多任务联邦学习方法,其特征在于,
t的数值按照设定的规则变化,具体是指:
t的数值增加1的设定倍数。
8.一种电子设备,包括存储器、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,其特征在于,所述处理器执行所述程序时实现权利要求1至7中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210986128.4A CN115049522B (zh) | 2022-08-17 | 2022-08-17 | 一种面向电力物联网的电力终端多任务联邦学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210986128.4A CN115049522B (zh) | 2022-08-17 | 2022-08-17 | 一种面向电力物联网的电力终端多任务联邦学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115049522A true CN115049522A (zh) | 2022-09-13 |
CN115049522B CN115049522B (zh) | 2022-11-25 |
Family
ID=83168425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210986128.4A Active CN115049522B (zh) | 2022-08-17 | 2022-08-17 | 一种面向电力物联网的电力终端多任务联邦学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049522B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139341A (zh) * | 2021-04-23 | 2021-07-20 | 广东安恒电力科技有限公司 | 基于联邦集成学习的电量需求预测方法和系统 |
WO2021163213A1 (en) * | 2020-02-11 | 2021-08-19 | Ventana Medical Systems, Inc. | Federated learning system for training machine learning algorithms and maintaining patient privacy |
CN113610303A (zh) * | 2021-08-09 | 2021-11-05 | 北京邮电大学 | 一种负荷预测方法及系统 |
WO2022119929A1 (en) * | 2020-12-01 | 2022-06-09 | Owkin, Inc. | Systems and methods for administrating a federated learning network |
-
2022
- 2022-08-17 CN CN202210986128.4A patent/CN115049522B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021163213A1 (en) * | 2020-02-11 | 2021-08-19 | Ventana Medical Systems, Inc. | Federated learning system for training machine learning algorithms and maintaining patient privacy |
WO2022119929A1 (en) * | 2020-12-01 | 2022-06-09 | Owkin, Inc. | Systems and methods for administrating a federated learning network |
CN113139341A (zh) * | 2021-04-23 | 2021-07-20 | 广东安恒电力科技有限公司 | 基于联邦集成学习的电量需求预测方法和系统 |
CN113610303A (zh) * | 2021-08-09 | 2021-11-05 | 北京邮电大学 | 一种负荷预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
RICARDO J.BESSA等: "privacy-preserving distributed learning for renewable energy forecasting", 《IEEE TRANSACTIONS ON SUSTAINABLE ENERGY》 * |
郑楷洪等: ""一个面向电力计量系统的联邦学习框架"", 《中国电机工程学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115049522B (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hassija et al. | Scheduling drone charging for multi-drone network based on consensus time-stamp and game theory | |
Fekri et al. | Distributed load forecasting using smart meter data: Federated learning with Recurrent Neural Networks | |
Zhou et al. | A truthful online mechanism for location-aware tasks in mobile crowd sensing | |
CN113992676B (zh) | 端边云架构和完全信息下分层联邦学习的激励方法及系统 | |
Qi et al. | High-quality model aggregation for blockchain-based federated learning via reputation-motivated task participation | |
CN113610303A (zh) | 一种负荷预测方法及系统 | |
Jie et al. | Online task scheduling for edge computing based on repeated Stackelberg game | |
CN109377218B (zh) | 一种遏制虚假感知攻击的方法、服务器及移动终端 | |
CN113610311B (zh) | 双层协同架构下考虑碳减排的综合能源服务商合作运行优化方法 | |
Gao et al. | A learning-based credible participant recruitment strategy for mobile crowd sensing | |
CN105528248A (zh) | 多任务合作应用下的群智感知激励机制 | |
CN108668253A (zh) | 一种基于演化博弈的群智合作感知激励方法 | |
Luo et al. | A hierarchical blockchain architecture based V2G market trading system | |
Lopez et al. | Peer-to-peer energy trading for photo-voltaic prosumers | |
Aloqaily et al. | Fairness-aware game theoretic approach for service management in vehicular clouds | |
CN116862551A (zh) | 一种考虑用户隐私保护的新能源消纳电价决策方法 | |
Lu et al. | Auction design for cross-edge task offloading in heterogeneous mobile edge clouds | |
Yang et al. | A two-stage pricing strategy for electric vehicles participating in emergency power supply for important loads | |
Dynge et al. | LCOE-based pricing for DLT-enabled local energy trading platforms | |
Zhou et al. | Multi-objective distributional reinforcement learning for large-scale order dispatching | |
CN115049522B (zh) | 一种面向电力物联网的电力终端多任务联邦学习方法 | |
Saadatmand et al. | MRA: A modified reverse auction based framework for incentive mechanisms in mobile crowdsensing systems | |
Lin et al. | Efficient collaborative multi-agent deep reinforcement learning for large-scale fleet management | |
Zhang et al. | A crowdsourcing logistics solution based on digital twin and four-party evolutionary game | |
CN114219338A (zh) | 基于联合学习的资源分配方法及装置 |
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 |