CN116245247A - 基于联邦学习的安全预测方法、平台、设备及介质 - Google Patents

基于联邦学习的安全预测方法、平台、设备及介质 Download PDF

Info

Publication number
CN116245247A
CN116245247A CN202310245602.2A CN202310245602A CN116245247A CN 116245247 A CN116245247 A CN 116245247A CN 202310245602 A CN202310245602 A CN 202310245602A CN 116245247 A CN116245247 A CN 116245247A
Authority
CN
China
Prior art keywords
data
federal learning
safety
route track
safety prediction
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.)
Pending
Application number
CN202310245602.2A
Other languages
English (en)
Inventor
马鑫磊
单云仙
黎永昇
张迎峰
方辉敏
何珍
郭桐汕
刘斐
杨双
李红泽
詹皓淙
王旺意
罗慧瑜
苏凤明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Unicom Guangdong Industrial Internet Co Ltd
Original Assignee
China Unicom Guangdong Industrial Internet Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Unicom Guangdong Industrial Internet Co Ltd filed Critical China Unicom Guangdong Industrial Internet Co Ltd
Priority to CN202310245602.2A priority Critical patent/CN116245247A/zh
Publication of CN116245247A publication Critical patent/CN116245247A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • 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
    • G06Q50/265—Personal security, identity or safety
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Computer Security & Cryptography (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供基于联邦学习的安全预测方法、平台、设备及介质，方法包括：利用地图网格若干个点位的气象信息构建路网气象数据；利用地图汇聚路线轨迹坐标；对路线轨迹坐标进行路网气象数据的梯度均质化计算，得到路线轨迹气象数据；对路线轨迹气象数据和交通流量数据进行求交计算，汇合同一个时间轴内的交通流量数据和路线轨迹气象数据；所述交通流量数据包括道路公共设施提供的车辆位置、速度信息以及道路交通信息；将汇合的数据作为标签数据构建基于贝叶斯概率分布的安全预测模型；利用分布式计算设备进行联邦学习，训练所述安全预测模型；利用安全预测模型对进行安全预测。本发明提供多源异构数据的隐私计算方法，实现驾驶辅助。

Description

基于联邦学习的安全预测方法、平台、设备及介质
技术领域
本发明涉及交通安全领域，尤其是基于联邦学习的安全预测方法、平台、设备及介质。
背景技术
高速驾驶中事故类型分析统计中发现，由于天气原因导致驾驶操控性降低，以及由于错误驾驶，如车速过高、过低、违规停车、倒车等会导致事故频发影响高速公路的安全运营以及驾驶员的人生财产生命安全的保护。
导航系统中所采用的气象信息是属于区域预报，不能实现一个全导航轨迹行驶路线的气象导航预报。这里面不仅是气象的预测还涉及到车辆和驾驶人员的隐私，所以气象信息，交通信息，还有个人的车辆运行轨迹信息都是独立的，若想实现行驶轨迹的车流量及天气影响预测，提前做好预判，从高速管理中心调度指挥中因为不了解车辆的单独信息，只能进行集群管理，而不能精准指挥，而为了提高高速运行的安全性和效率，个人车辆位置信息和速度信息是最基础的数据信息需要用于新技术的研究应用，但是其中的使用方式和隐私信息保护方法也需要研究。
车联网的隐私技术是面向最新汽车的高端技术研发产品与汽车和运营管理平台高度绑定，但是对于目前仍在运行的车辆如何也可以实现在隐私保护技术条件下的天气+交通安全流量预测，安全导航引导等多种功能提升驾驶员安全体验的需求。
位置隐私是一种特殊的信息隐私，指在个人不愿被外界所知晓的与位置相关的信息，以及位置信息所揭露的个人信息。例如医院、酒吧、家庭地址等敏感位置通常视为用户的位置隐私，用户能够决定何时(when)、如何(how)，以何种程度(towhatextent)将自己的位置信息告知其他人。用户通常更不愿揭示其当前位置或未来位置，但过去的位置保护也很重要，因为过去位置能够帮助攻击者了解你是谁，住哪里，干了什么事情；用户愿意在知情的情况下向朋友透露其位置，而不希望移动终端的应用软件在其不知情的情况下自动分享其位置；用户更愿意揭示其所在的混淆区域，而不愿揭示其真实位置。
专利CN111445714A，公开了一种可预测的高速道路用恶劣天气分析方法，本发明公开了一种可预测的高速道路用恶劣天气分析方法,其步骤如下:步骤一:建立多个当前点位气象信息收集终端,对高速路段上及附近的天气气象信息进行收集,所述当前点位气象信息收集终端包括温湿度传感器,当前风向传感器,当前风速传感器,当前气压传感器以及总辐射传感器,所述当前温湿度传感器,当前风向传感器,当前风速传感器,当前气压传感器以及总辐射传感器均与数据信息收集模块连接.该可预测的高速道路用恶劣天气分析方法,利用多个当前点位气象信息收集终端对天气变化的信息进行收集,提高了对天气预测分析的准确性,而且能够及时把信息反馈至高速站与驾驶员,一方面方便高速站进行封路管制；专利CN111489577A，公开了一种高速公路灾害天气自适应智能预警实时限速系统，一种高速公路灾害天气自适应智能预警实时限速系统,包括5G高速公路监控指挥中心,5G网络,路测单元,车载接收终端；通过设置在高速公路各路段上的多种气象模块能够根据天气的变化实时采集影响交通的恶劣气象信息,并即时生成适合车辆行驶的当前路段的预警和限速信息从而实现自动限速行驶,由此避免了车辆在雾霾天气,雨雪天气及大风天气因超速行驶引发交通事故的风险；当天气好转时可自动恢复高速120km/h行驶,进而提高了公路的通行能力和运营效率；若遭遇突发事件时5G高速公路监控指挥中心通过路测单元发送限速指令,由此对各路段行驶的车辆执行交通管制。以上专利是利用高速沿线的气象检测点进行气象观测，然后实现气象的预报，然后利用生成的气象预报实现一个气象服务发布；
学术论文《VANETs中基于差分隐私的位置隐私保护研究》，张慧娟西安电子科技大学硕士论文，公开了针对VANETs(车载移动自组网)中的LBS(位置服务)应用，为了解决在连续LBS场景下使用差分隐私时存在的隐私预算消耗过快的问题，本文提出了一种基于协作和缓存的满足地理不可区分性的位置扰动机制。通过让请求车辆协作构造群组，并从中选择群组代理来基于差分隐私生成扰动位置并代理整个群组向LSP(位置服务提供商)提交请求的方式，实现仅需消耗一个成员的隐私预算即可完成所有成员的查询需求。该论文利用差分隐私计算实现了车辆位置服务的加密问题，实现车辆自组网提供位置信息实现位置服务时的车辆位置和隐私信息的保护；
现有的导航产品或者技术方案都是一个中心对多个子节点，而且客户的信息也会无条件的暴露给产品运营中心，而且是属于一个单向功能展示的情况，没有利用好节点之间的关系和需求，亟需进行一个深层次加工，打造一个为单节点客户运行的服务推荐。
发明内容
本发明旨在克服上述现有技术的至少一种缺陷，提供基于联邦学习的安全预测方法、平台、设备及介质。
第一方面，本发明提供一种基于联邦学习的安全预测方法，包括：
利用地图网格若干个点位的气象信息构建路网气象数据；
利用地图汇聚路线轨迹坐标；
对路线轨迹坐标进行路网气象数据的梯度均质化计算，得到路线轨迹气象数据；
对路线轨迹气象数据和交通流量数据进行求交计算，汇合同一个时间轴内的交通流量数据和路线轨迹气象数据；
所述交通流量数据包括道路公共设施提供的车辆位置、速度信息以及道路交通信息；
将汇合的数据作为标签数据构建基于贝叶斯概率分布的安全预测模型；
利用分布式计算设备进行联邦学习，训练所述安全预测模型；
利用安全预测模型对进行安全预测。
由于气象数据通常不是按交通线路发布的，因此首先要提出一种交通轨迹与气象发布的天气数据对齐和预测方式，基于路线轨迹的气象预测模型，按照路网信息，根据气象预报数据，基于地图网格，根据附近几个点位发布的气象预报进行线性回归预测，最终形成路线轨迹的气象数据。
以同一个时间轴内的交通数据汇合气象和路网，可以将气象在一个时间周期内的变化数据存入交通路网数据库中，按照时间周期进行排列，构建一个区域和时间的序列映射模型，将交通流量数据汇集在每一段路网的数据列表中，例如可以按照时间周期0-24小时进行存储管理，24小时内的车流量变化情况在数据库中并配置位置ID，气象也是24小时为一个周期进行循环，降水量，风，极端天气变化情况等信息在一个循环周期内，这是一个循环存储库，新信息的加入会将最末尾的信息弹出，存入天周期库，天周期库会以此存到月度，依次进行。
本发明基于多源异构数据的融合建立安全预测模型，可以引入车辆的位置和速度信息，ETC与高速通门架的车辆数据等，建立交通流量数据预测模型，由于本专利不在于提供一种新的建模方法，而是从数据获取形式上提供新的参考点，因此采用的是一种比较成熟的建模方法，建模方法采用基于贝叶斯概率分布的流量预测，实现交通安全预测。
交通流量数据可以来源于高速ETC，高速路门架，以及车载安全导航装置提供的位置和速度信息，通过不同位置的数据对高速公路进行切片管理加入气象数据作为一个独立的特征，还有历史拥堵数据，交通事故数据等特征信息，基于联邦学习的贝叶斯概率分布算法进行交通流量的预测；本发明可以通过虚拟中心节点根据交通总体流量和气象建立综合交通流量预测模型和基于气象的安全预测模型，该模型可以为驾驶员提供前方车流量信息，并给出安全驾驶速度的指引，提醒最前面的车辆加速行驶，后面车辆依次保持安全距离，当天气状况不佳时，按照高速轨迹气象连续预报，可以推送1公里范围天气，5公里天气范围和10公里安全范围，分别进行指引提示，为驾驶员提供保障驾驶安全的距离保持和速度保持信息。
可以利用车辆中配置的具有分布式计算能力的导航装置，基于联邦学习的异构多源数据融合的分布式计算方式，通过放置在行驶车辆中的安全导航装置，参与联邦学习计算，本地的车辆位置参数和速度参数作为参与方数据进行计算；训练完成后的预测模型会根据实时状态参数进行预测，并高速行驶轨迹推送的气象信息，实现拥堵和安全指数提示，在隐私安全的前提下进行安全驾驶方案的推荐，包括实现气象安全驾驶提示，车流量预测提示，服务区休息推荐，车辆加油/充电维护推荐，等辅助安全驾驶的推荐系统；另外通过隐私技术可以实现高速调度。
进一步，所述利用分布式计算设备进行联邦学习包括：
获取若干分布式计算设备的用户样本，所述用户样本来自至少两个用户群，每个用户群均有安全预测模型；
对不同用户群重叠的用户样本进行特征对齐；
对不同用户群分别计算梯度的中间结果，利用公钥对梯度的中间结果进行加密交互；
每个用户群都利用加密的梯度值进行计算，同时计算各自标签数据的损失值；
汇总计算结果进行总梯度值的计算；
将解密的总梯度值回传到所有用户群完成联邦学习。
联邦学习可以包括三个部分，第一部分是加密样本对齐。通常由于两家企业的用户群体并非完全重合，系统利用基于加密的用户样本对齐技术，在A和B不公开各自数据的前提下确认双方的共有用户，并且不暴露不互相重叠的用户，以便联合这些用户的特征进行建模。
第二部分：加密模型训练。在确定共有用户群体后，就可以利用这些数据训练机器学习模型。为了保证训练过程中数据的保密性，需要借助第三方协作者C进行加密训练。以线性回归模型为例，训练过程可分为以下4步：
第①步：协作者C把公钥分发给A和B，用以对训练过程中需要交换的数据进行加密。
第②步：A和B之间以加密形式交互用于计算梯度的中间结果。
第③步：A和B分别基于加密的梯度值进行计算，同时B根据其标签数据计算损失，并把结果汇总给C。C通过汇总结果计算总梯度值并将其解密。
第④步：C将解密后的梯度分别回传给A和B，A和B根据梯度更新各自模型的参数。
迭代上述步骤直至损失函数收敛，这样就完成了整个训练过程。在样本对齐及模型训练过程中，A和B各自的数据均保留在本地，且训练中的数据交互也不会导致数据隐私泄露。因此，双方在联邦学习的帮助下得以实现合作训练模型。
进一步，所述对路线轨迹坐标进行路网气象数据的梯度均质化计算包括：
利用SVM支持向量机计算所有路线轨迹坐标距离最近的路网气象数据；
选择距离最近的路网气象点作为基础权重，对距离最近的路网气象点周围的气象点进行权重均质化计算。
进一步，所述路线轨迹坐标以0.5-5公里为一个切片进行距离最近的路网气象点的选择。
进一步，道路交通信息包括历史拥堵数据和/或交通事故数据；
将所述历史拥堵数据和/或交通事故数据作为标签数据构建所述安全预测模型；
所述安全预测模型预测基于路线轨迹坐标的安全驾驶速度和/或安全距离。
一个完整的预测模型需要一个强有力的数据支撑，交通流量数据，基于路线轨迹的气象数据，以及车辆自身的数据可用汇聚成一个完成的数据链条，首先发明内容要解决气象汇聚问题，利用梯度均质化和支持向量机完成气象数据的预测，其次可以将一个具有自主定位和分布式计算功能的设备置于车辆中，完成联邦学习模型的训练，保留本地数据不出域，而且可以统一被纳管的一种模式，从而实现基于交通流量数据，定位数据，运动规划信息和气象预测信息进行多源异构信息的融合，构建一个安全，效率，经济性为标签的预测模型。
第二方面，基于同样的发明构思，本发明提供一种基于联邦学习的安全预测平台，包括车载移动导航设备和安全预测控制系统；
所述车载移动导航设备用于训练安全预测模型以及利用安全预测模型对进行安全预测；
安全预测控制系统用于进行安全预测数据控制，包括：
利用地图网格若干个点位的气象信息构建路网气象数据；
利用地图汇聚路线轨迹坐标；
对路线轨迹坐标进行路网气象数据的梯度均质化计算，得到路线轨迹气象数据；
对路线轨迹气象数据和交通流量数据进行求交计算，汇合同一个时间轴内的交通流量数据和路线轨迹气象数据；
所述交通流量数据包括道路公共设施提供的车辆位置、速度信息以及道路交通信息；
将汇合的数据作为标签数据构建基于贝叶斯概率分布的安全预测模型。
基于同样的发明构思，本发明还提供一种基于联邦学习的安全预测系统，包括：路网气象数据构建模块，用于利用地图网格若干个点位的气象信息构建路网气象数据；
坐标汇聚模块，用于利用地图汇聚路线轨迹坐标；
均质化计算模块，用于对路线轨迹坐标进行路网气象数据的梯度均质化计算，得到路线轨迹气象数据；
求交计算模块，用于对路线轨迹气象数据和交通流量数据进行求交计算，汇合同一个时间轴内的交通流量数据和路线轨迹气象数据；
安全预测模型，基于贝叶斯概率分布构建，用于进行安全预测；
联邦学习模块，用于利用分布式计算设备进行联邦学习，训练所述安全预测模型。
进一步，所述联邦学习模块包括：
样本获取模块，用于获取若干分布式计算设备的用户样本，所述用户样本来自至少两个用户群，每个用户群均有安全预测模型；
特征对齐模块，用于对不同用户群重叠的用户样本进行特征对齐；
加密模块，用于对不同用户群分别计算梯度的中间结果，利用公钥对梯度的中间结果进行加密交互；
计算模块，用于对每个用户群都利用加密的梯度值进行计算，同时计算各自标签数据的损失值；
汇总模块，用于汇总计算结果进行总梯度值的计算；
回传模块，用于将解密的总梯度值回传到所有用户群完成联邦学习。
基于同样的发明构思，本发明还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述的基于联邦学习的安全预测方法。
基于同样的发明构思，本发明还提供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，所述计算机程序被处理器执行时实现所述的基于联邦学习的安全预测方法。
与现有技术相比，本发明的有益效果为：
(1)实现联邦学习的节点计算，能够实现通信，付费，具有语音呼叫等集成功能的一体化装置设备，实现数据的通信，并以单节点的方式加入到联邦学习计算集群中。
(2)实现气象数据的预测。
(3)通过安全预测模型提供多源异构气象交通流量和汽车驾驶参数的隐私计算，提供驾驶辅助，并结合车辆实时状态进行预判。
(4)实现根据实时状态参数进行安全驾驶预测，在隐私安全的前提下进行安全驾驶方案的推荐。
附图说明
图1为本发明实施例1的方法流程图。
图2为本发明实施例2的车载移动导航设备组成框图。
图3为本发明实施例2的控制系统组成框图。
具体实施方式
本发明附图仅用于示例性说明，不能理解为对本发明的限制。为了更好说明以下实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
实施例1
如图1所示，本实施例提供一种基于联邦学习的安全预测方法，包括：
S1、利用地图网格若干个点位的气象信息构建路网气象数据；
S2、利用地图汇聚路线轨迹坐标；
S3、对路线轨迹坐标进行路网气象数据的梯度均质化计算，得到路线轨迹气象数据；
S4、对路线轨迹气象数据和交通流量数据进行求交计算，汇合同一个时间轴内的交通流量数据和路线轨迹气象数据；
所述交通流量数据包括道路公共设施提供的车辆位置、速度信息以及道路交通信息；
S5、将汇合的数据作为标签数据构建基于贝叶斯概率分布的安全预测模型；
S6、利用分布式计算设备进行联邦学习，训练所述安全预测模型；
S7、利用安全预测模型对进行安全预测。
由于气象数据通常不是按交通线路发布的，因此首先要提出一种交通轨迹与气象发布的天气数据对齐和预测方式，基于路线轨迹的气象预测模型，按照路网信息，根据气象预报数据，基于地图网格，根据附近几个点位发布的气象预报进行线性回归预测，最终形成路线轨迹的气象数据。
以同一个时间轴内的交通数据汇合气象和路网，可以将气象在一个时间周期内的变化数据存入交通路网数据库中，按照时间周期进行排列，构建一个区域和时间的序列映射模型，将交通流量数据汇集在每一段路网的数据列表中，例如可以按照时间周期0-24小时进行存储管理，24小时内的车流量变化情况在数据库中并配置位置ID，气象也是24小时为一个周期进行循环，降水量，风，极端天气变化情况等信息在一个循环周期内，这是一个循环存储库，新信息的加入会将最末尾的信息弹出，存入天周期库，天周期库会以此存到月度，依次进行。
本发明基于多源异构数据的融合建立安全预测模型，可以引入车辆的位置和速度信息，ETC与高速通门架的车辆数据等，建立交通流量数据预测模型，由于本专利不在于提供一种新的建模方法，而是从数据获取形式上提供新的参考点，因此采用的是一种比较成熟的建模方法，建模方法采用基于贝叶斯概率分布的流量预测，实现交通安全预测。
交通流量数据可以来源于高速ETC，高速路门架，以及车载安全导航装置提供的位置和速度信息，通过不同位置的数据对高速公路进行切片管理加入气象数据作为一个独立的特征，还有历史拥堵数据，交通事故数据等特征信息，基于联邦学习的贝叶斯概率分布算法进行交通流量的预测；本发明可以通过虚拟中心节点根据交通总体流量和气象建立综合交通流量预测模型和基于气象的安全预测模型，该模型可以为驾驶员提供前方车流量信息，并给出安全驾驶速度的指引，提醒最前面的车辆加速行驶，后面车辆依次保持安全距离，当天气状况不佳时，按照高速轨迹气象连续预报，可以推送1公里范围天气，5公里天气范围和10公里安全范围，分别进行指引提示，为驾驶员提供保障驾驶安全的距离保持和速度保持信息。
可以利用车辆中配置的具有分布式计算能力的导航装置，基于联邦学习的异构多源数据融合的分布式计算方式，通过放置在行驶车辆中的安全导航装置，参与联邦学习计算，本地的车辆位置参数和速度参数作为参与方数据进行计算；训练完成后的预测模型会根据实时状态参数进行预测，并高速行驶轨迹推送的气象信息，实现拥堵和安全指数提示，在隐私安全的前提下进行安全驾驶方案的推荐，包括实现气象安全驾驶提示，车流量预测提示，服务区休息推荐，车辆加油/充电维护推荐，等辅助安全驾驶的推荐系统；另外通过隐私技术可以实现高速调度。
优选地，所述利用分布式计算设备进行联邦学习包括：
获取若干分布式计算设备的用户样本，所述用户样本来自至少两个用户群，每个用户群均有安全预测模型；
对不同用户群重叠的用户样本进行特征对齐；
对不同用户群分别计算梯度的中间结果，利用公钥对梯度的中间结果进行加密交互；
每个用户群都利用加密的梯度值进行计算，同时计算各自标签数据的损失值；
汇总计算结果进行总梯度值的计算；
将解密的总梯度值回传到所有用户群完成联邦学习。
联邦学习可以包括三个部分，第一部分是加密样本对齐。通常由于两家企业的用户群体并非完全重合，系统利用基于加密的用户样本对齐技术，在A和B不公开各自数据的前提下确认双方的共有用户，并且不暴露不互相重叠的用户，以便联合这些用户的特征进行建模。
第二部分：加密模型训练。在确定共有用户群体后，就可以利用这些数据训练机器学习模型。为了保证训练过程中数据的保密性，需要借助第三方协作者C进行加密训练。以线性回归模型为例，训练过程可分为以下4步：
第①步：协作者C把公钥分发给A和B，用以对训练过程中需要交换的数据进行加密。
第②步：A和B之间以加密形式交互用于计算梯度的中间结果。
第③步：A和B分别基于加密的梯度值进行计算，同时B根据其标签数据计算损失，并把结果汇总给C。C通过汇总结果计算总梯度值并将其解密。
第④步：C将解密后的梯度分别回传给A和B，A和B根据梯度更新各自模型的参数。
迭代上述步骤直至损失函数收敛，这样就完成了整个训练过程。在样本对齐及模型训练过程中，A和B各自的数据均保留在本地，且训练中的数据交互也不会导致数据隐私泄露。因此，双方在联邦学习的帮助下得以实现合作训练模型。
优选地，所述对路线轨迹坐标进行路网气象数据的梯度均质化计算包括：
利用SVM支持向量机计算所有路线轨迹坐标距离最近的路网气象数据；
选择距离最近的路网气象点作为基础权重，对距离最近的路网气象点周围的气象点进行权重均质化计算。
优选地，所述路线轨迹坐标以0.5-5公里为一个切片进行距离最近的路网气象点的选择。
优选地，道路交通信息包括历史拥堵数据和/或交通事故数据；
将所述历史拥堵数据和/或交通事故数据作为标签数据构建所述安全预测模型；
所述安全预测模型预测基于路线轨迹坐标的安全驾驶速度和/或安全距离。
一个完整的预测模型需要一个强有力的数据支撑，交通流量数据，基于路线轨迹的气象数据，以及车辆自身的数据可用汇聚成一个完成的数据链条，首先发明内容要解决气象汇聚问题，利用梯度均质化和支持向量机完成气象数据的预测，其次可以将一个具有自主定位和分布式计算功能的设备置于车辆中，完成联邦学习模型的训练，保留本地数据不出域，而且可以统一被纳管的一种模式，从而实现基于交通流量数据，定位数据，运动规划信息和气象预测信息进行多源异构信息的融合，构建一个安全，效率，经济性为标签的预测模型。
实施例2
本实施例提供一种基于联邦学习的安全预测平台，包括车载移动导航设备和安全预测控制系统；
所述车载移动导航设备用于训练安全预测模型以及利用安全预测模型对进行安全预测；
安全预测控制系统用于进行安全预测数据控制，包括：
利用地图网格若干个点位的气象信息构建路网气象数据；
利用地图汇聚路线轨迹坐标；
对路线轨迹坐标进行路网气象数据的梯度均质化计算，得到路线轨迹气象数据；
对路线轨迹气象数据和交通流量数据进行求交计算，汇合同一个时间轴内的交通流量数据和路线轨迹气象数据；
所述交通流量数据包括道路公共设施提供的车辆位置、速度信息以及道路交通信息；
将汇合的数据作为标签数据构建基于贝叶斯概率分布的安全预测模型。
如图2所示，车载移动导航设备对气象数据进行对齐，结合车辆运行参数和高速交通流量数据，利用通信模块进行数据交换，利用节点计算单元，结合定位与信息处理模块进行安全预测模型的训练以及利用安全预测模型对进行安全预测。通过人机操控界面交互辅助驾驶员进行安全预测。
如图3所示，安全预测控制系统对高速导航位置数据和气象数据进行匹配和对齐，将高速流量数据汇聚，按时段和位置进行切片，将气象预测数据按高速位置进行预测，将气象与交通安全特征关联，进行信息校验后，加入车载运行参数数据，利用多元异构数据融合特征进行安全预测模型的训练。
实施例3
本实施例提供一种基于联邦学习的安全预测系统，包括：路网气象数据构建模块，用于利用地图网格若干个点位的气象信息构建路网气象数据；
坐标汇聚模块，用于利用地图汇聚路线轨迹坐标；
均质化计算模块，用于对路线轨迹坐标进行路网气象数据的梯度均质化计算，得到路线轨迹气象数据；
求交计算模块，用于对路线轨迹气象数据和交通流量数据进行求交计算，汇合同一个时间轴内的交通流量数据和路线轨迹气象数据；
安全预测模型，基于贝叶斯概率分布构建，用于进行安全预测；
联邦学习模块，用于利用分布式计算设备进行联邦学习，训练所述安全预测模型。
优选地，所述联邦学习模块包括：
样本获取模块，用于获取若干分布式计算设备的用户样本，所述用户样本来自至少两个用户群，每个用户群均有安全预测模型；
特征对齐模块，用于对不同用户群重叠的用户样本进行特征对齐；
加密模块，用于对不同用户群分别计算梯度的中间结果，利用公钥对梯度的中间结果进行加密交互；
计算模块，用于对每个用户群都利用加密的梯度值进行计算，同时计算各自标签数据的损失值；
汇总模块，用于汇总计算结果进行总梯度值的计算；
回传模块，用于将解密的总梯度值回传到所有用户群完成联邦学习。
显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于联邦学习的安全预测方法，其特征在于，包括：
利用地图网格若干个点位的气象信息构建路网气象数据；
利用地图汇聚路线轨迹坐标；
对路线轨迹坐标进行路网气象数据的梯度均质化计算，得到路线轨迹气象数据；
对路线轨迹气象数据和交通流量数据进行求交计算，汇合同一个时间轴内的交通流量数据和路线轨迹气象数据；
所述交通流量数据包括道路公共设施提供的车辆位置、速度信息以及道路交通信息；
将汇合的数据作为标签数据构建基于贝叶斯概率分布的安全预测模型；
利用分布式计算设备进行联邦学习，训练所述安全预测模型；
利用安全预测模型对进行安全预测。
2.根据权利要求1所述的基于联邦学习的安全预测方法，其特征在于，所述利用分布式计算设备进行联邦学习包括：
获取若干分布式计算设备的用户样本，所述用户样本来自至少两个用户群，每个用户群均有安全预测模型；
对不同用户群重叠的用户样本进行特征对齐；
对不同用户群分别计算梯度的中间结果，利用公钥对梯度的中间结果进行加密交互；
每个用户群都利用加密的梯度值进行计算，同时计算各自标签数据的损失值；
汇总计算结果进行总梯度值的计算；
将解密的总梯度值回传到所有用户群完成联邦学习。
3.根据权利要求1所述的基于联邦学习的安全预测方法，其特征在于，所述对路线轨迹坐标进行路网气象数据的梯度均质化计算包括：
利用SVM支持向量机计算所有路线轨迹坐标距离最近的路网气象数据；
选择距离最近的路网气象点作为基础权重，对距离最近的路网气象点周围的气象点进行权重均质化计算。
4.根据权利要求3所述的基于联邦学习的安全预测方法，其特征在于，所述路线轨迹坐标以0.5-5公里为一个切片进行距离最近的路网气象点的选择。
5.根据权利要求1所述的基于联邦学习的安全预测方法，其特征在于，道路交通信息包括历史拥堵数据和/或交通事故数据；
将所述历史拥堵数据和/或交通事故数据作为标签数据构建所述安全预测模型；所述安全预测模型预测基于路线轨迹坐标的安全驾驶速度和/或安全距离。
6.一种基于联邦学习的安全预测平台，其特征在于，包括车载移动导航设备和安全预测控制系统；
所述车载移动导航设备用于训练安全预测模型以及利用安全预测模型对进行安全预测；
安全预测控制系统用于进行安全预测数据控制，包括：
利用地图网格若干个点位的气象信息构建路网气象数据；
利用地图汇聚路线轨迹坐标；
对路线轨迹坐标进行路网气象数据的梯度均质化计算，得到路线轨迹气象数据；
对路线轨迹气象数据和交通流量数据进行求交计算，汇合同一个时间轴内的交通流量数据和路线轨迹气象数据；
所述交通流量数据包括道路公共设施提供的车辆位置、速度信息以及道路交通信息；
将汇合的数据作为标签数据构建基于贝叶斯概率分布的安全预测模型。
7.一种基于联邦学习的安全预测系统，其特征在于，包括：路网气象数据构建模块，用于利用地图网格若干个点位的气象信息构建路网气象数据；
坐标汇聚模块，用于利用地图汇聚路线轨迹坐标；
均质化计算模块，用于对路线轨迹坐标进行路网气象数据的梯度均质化计算，得到路线轨迹气象数据；
求交计算模块，用于对路线轨迹气象数据和交通流量数据进行求交计算，汇合同一个时间轴内的交通流量数据和路线轨迹气象数据；
安全预测模型，基于贝叶斯概率分布构建，用于进行安全预测；
联邦学习模块，用于利用分布式计算设备进行联邦学习，训练所述安全预测模型。
8.根据权利要求7所述的基于联邦学习的安全预测系统，其特征在于，所述联邦学习模块包括：
样本获取模块，用于获取若干分布式计算设备的用户样本，所述用户样本来自至少两个用户群，每个用户群均有安全预测模型；
特征对齐模块，用于对不同用户群重叠的用户样本进行特征对齐；
加密模块，用于对不同用户群分别计算梯度的中间结果，利用公钥对梯度的中间结果进行加密交互；
计算模块，用于对每个用户群都利用加密的梯度值进行计算，同时计算各自标签数据的损失值；
汇总模块，用于汇总计算结果进行总梯度值的计算；
回传模块，用于将解密的总梯度值回传到所有用户群完成联邦学习。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1～5任一项所述的基于联邦学习的安全预测方法。
10.一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，所述计算机程序被处理器执行时实现权利要求1～5任一项所述的基于联邦学习的安全预测方法。
CN202310245602.2A 2023-03-13 2023-03-13 基于联邦学习的安全预测方法、平台、设备及介质 Pending CN116245247A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310245602.2A CN116245247A (zh) 2023-03-13 2023-03-13 基于联邦学习的安全预测方法、平台、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310245602.2A CN116245247A (zh) 2023-03-13 2023-03-13 基于联邦学习的安全预测方法、平台、设备及介质

Publications (1)

Publication Number Publication Date
CN116245247A true CN116245247A (zh) 2023-06-09

Family

ID=86625968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310245602.2A Pending CN116245247A (zh) 2023-03-13 2023-03-13 基于联邦学习的安全预测方法、平台、设备及介质

Country Status (1)

Country Link
CN (1) CN116245247A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116432040A (zh) * 2023-06-15 2023-07-14 上海零数众合信息科技有限公司 基于联邦学习的模型训练方法、装置、介质以及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116432040A (zh) * 2023-06-15 2023-07-14 上海零数众合信息科技有限公司 基于联邦学习的模型训练方法、装置、介质以及电子设备
CN116432040B (zh) * 2023-06-15 2023-09-01 上海零数众合信息科技有限公司 基于联邦学习的模型训练方法、装置、介质以及电子设备

Similar Documents

Publication Publication Date Title
Iyer AI enabled applications towards intelligent transportation
CN108428340B (zh) 道路交通状况分析方法和系统
Nguyen et al. An efficient traffic congestion monitoring system on internet of vehicles
CN109383423A (zh) 使用v2x通信系统提高障碍意识的系统和方法
CN109389832A (zh) 使用v2x通信系统提高障碍意识的系统和方法
CN107395757B (zh) 基于acp方法和社会物理信息系统的平行车联网系统
US20230105230A1 (en) Systems and methods for defining serviceable areas
Lu et al. Two-phase optimization model for ride-sharing with transfers in short-notice evacuations
PE et al. Challenges, risks and opportunities for connected vehicle services in smart cities and communities
Li et al. An Agent‐Based Model for Dispatching Real‐Time Demand‐Responsive Feeder Bus
Csiszár et al. Analysis and modelling methods of urban integrated information system of transportation
CN116245247A (zh) 基于联邦学习的安全预测方法、平台、设备及介质
Aloqaily et al. C-healthier: A cooperative health intelligent emergency response system for c-its
Aguiar et al. MobiWise: Eco-routing decision support leveraging the Internet of Things
Alaba et al. Enabling Sustainable Transportation Through IoT and AIoT Innovations
Katrakazas et al. Big data and emerging transportation challenges: Findings from the noesis project
He et al. Conceptualizing how agencies could leverage weather-related connected vehicle application to enhance winter road services
Stephens et al. Intelligent Network Flow Optimization (INFLO) prototype: Seattle small-scale demonstration report.
Jain et al. Opportunities and Challenges of Cyber-Physical Transportation Systems
Roshan et al. Application of Intelligent Data Analysis in Intelligent Transportation System Using IoT
KR102674769B1 (ko) 마이데이터 기반 개인통행정보 연계 시스템 및 서버
Lu et al. Urban network geofencing with dynamic speed limit policy via deep reinforcement learning
CN113371038B (zh) 一种有轨电车管理方法及系统
Chen et al. Internet of vehicle things communication based on big data analytics integrated internet of things
Bouali et al. A vehicular network architecture for data collection: application to an itinerary planning service in smart cities

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