CN116546429B - 一种车联网联邦学习中的车辆选择方法和系统 - Google Patents

Abstract

本发明涉及一种车联网联邦学习中的车辆选择方法和系统，方法包括：在车联网联邦学习场景中，假设一组车辆{1,2,...,N}穿过基站的覆盖区域，根据车辆在基站覆盖区域内的停留时间、以及车辆的本地模型与基站的全局模型之间的相似性选择参与联邦学习的车辆；其中，所述车辆的本地模型基于基站的全局模型构建。本发明通过车辆在边缘服务器覆盖范围的停留时间、以及车辆的本地模型与基站的全局模型之间的相似性来衡量车辆的参与必要性，使得联邦学习最终得到的全局模型具有较好的代表性。

Description

一种车联网联邦学习中的车辆选择方法和系统

技术领域

本发明涉及车联网联邦学习技术领域，尤其是指一种车联网联邦学习中的车辆选择方法和系统。

背景技术

随着车联网(I oV)和人工智能(AI)技术的发展，越来越多的AI应用被部署到车载操作系统中。这些车载应用产生的海量数据给车联网的计算和存储带来了严峻挑战。车载边缘计算(VEC)可以为用户提供高带宽、低延迟、高可靠性的服务，为实现智能服务开辟了可能性，但也存在暴露用户隐私数据的风险。作为一种有前途的隐私保护范式，联邦学习(FL)仅使用分散训练的本地模型的参数来合成全局模型，避免了敏感数据的泄露。然而，将FL引入车联网存在许多挑战。首先，在车辆网络中，有限的带宽和FL的并行传输、高消耗通信限制了参与车辆数，参与者的选择影响FL的性能。其次，车辆作为FL的参与者，他们具有高移动性，经常在具有不同交通特征的几个区域之间切换。如果车辆即将离开但仍参与聚合，其上传的模型将对全局模型的效率产生负面影响，同时也会降低模型的代表性。此外，某些车辆不需要太频繁地上传参数，这也会增加不必要的通信成本。因此，考虑车辆的移动性和车辆的本地模型与全局模型之间的相似性，设计车辆选择算法以减少不必要的计算和通信成本并提高模型的效率和代表性，是一个关键问题。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中联邦学习未能对参与的车辆进行有效的选择，进而造成不必要的计算和通信成本，降低全局模型的效率。

为解决上述技术问题，本发明提供了一种车联网联邦学习中的车辆选择方法，包括：

在车联网联邦学习场景中，假设一组车辆{1,2,...,N}穿过基站的覆盖区域，根据车辆在基站覆盖区域内的停留时间、以及车辆的本地模型与基站的全局模型之间的相似性选择参与联邦学习的车辆；

其中，所述车辆的本地模型基于基站的全局模型构建。

在本发明的一个实施例中，所述车联网联邦学习包括：

车辆选择：在一轮迭代开始前，基站的边缘服务器首先根据车辆在基站覆盖区域内的停留时间、以及车辆的本地模型与基站的全局模型之间的相似性选择参与训练的车辆；

下载全局模型：选择好参与训练的车辆，边缘服务器将初始全局模型发送到所选车辆，用于参与训练的车辆进行分布式学习；

本地模型训练：参与训练的车辆根据自身的本地数据集训练初始全局模型，并采用联邦随机梯度下降对初始全局模型进行更新，得到本地模型；

上传本地模型：参与训练的车辆将自身的本地模型发送到边缘服务器；

全局聚合：边缘服务器接收参与训练的车辆的本地模型，并聚合本地模型的参数以更新初始全局模型；

经过若干次迭代，直至全局模型收敛。

在本发明的一个实施例中，所述基站的边缘服务器首先根据车辆在基站覆盖区域内的停留时间、以及车辆的本地模型与基站的全局模型之间的相似性选择参与训练的车辆，方法包括：

假设边缘服务器的覆盖区域半径为R_B，以基站为原点，车辆行驶方向为x轴建立直角坐标系，车辆n的当前x轴坐标为x_n，车辆n的行驶速度为v_n，则计算车辆n在基站覆盖范围内的预计停留时间；

根据车辆n在基站覆盖范围内的预计停留时间，在覆盖区域o中，通过定义必要性来判断车辆n是否参与本轮迭代，其中，所述必要性/>与模型相似性和车辆停留时间相关；

基于所述必要性定义ξ_n，通过所述ξ_n来决策车辆n是否参与训练。

在本发明的一个实施例中，所述计算车辆n在基站覆盖范围内的预计停留时间，公式为：

其中，(R_B-x_n)/v_n是车辆n从当前位置到离开基站覆盖范围所经过的时间，χ₁，χ₂是根据实际城市交通环境确定的系数，g_o是边缘服务器的覆盖区域o每小时的当前交通量，G_o是边缘服务器的覆盖区域o每小时的最大容量。

在本发明的一个实施例中，所述必要性的公式为：

其中，w_n是车辆n存储的本地模型参数，为边缘服务器的覆盖区域o的最新全局模型参数，/>为本地模型与全局模型的绝对模型差值，/>是聚合轮的平均间隔且 是车辆n在基站覆盖范围内的预计停留时间且/>α_n和β_n都是归一化指标，α_n∈[0,1]，β_n∈[-1,1]。

在本发明的一个实施例中，所述基于所述必要性定义ξ_n，通过所述ξ_n来决策车辆n是否参与训练，公式为：

其中，是边缘服务器的覆盖区域o的决策阈值。

在本发明的一个实施例中，所述参与训练的车辆根据自身的本地数据集训练初始全局模型时，还包括：获取车辆n处训练时的本地损失函数F_n(w)，根据所述车辆n处训练时的本地损失函数构建全局损失函数F(w)，并计算使所述全局损失函数F(w)最小化的全局模型参数向量w，表示为：

其中，w表示全局模型参数向量，F_n(w)表示车辆n处训练时的本地损失函数，n∈[N]，/>D_n表示车辆n处的本地数据集，|D_n|＝D为本地数据集的大小，f(w,π_x)是由学习任务定义的经验损失函数，并量化样本π_x处全局模型参数向量w的损失。

在本发明的一个实施例中，所述参与联邦学习的车辆n的总延迟公式为：

其中，表示传输延迟且/>ζ表示参与车辆n的接收到边缘服务器下发的初始全局模型大小，/>表示参与车辆n的传输速率，r表示通信轮次，/>表示车辆n训练其本地模型的本地计算延迟且/>τ是本地迭代的次数，φ_n表示处理一个样本所需的CPU周期数，φ_nD表示第r轮中处理所有样本所需的CPU周期数，f_n是CPU频率。

在本发明的一个实施例中，车辆n∈[N]穿过基站的覆盖区域的车辆速度由概率密度函数生成，所述概率密度函数公式为：

其中，是平均速度，σ是车辆速度的标准差，/>是高斯误差函数，v_min和v_max分别表示车辆的最小和最大速度，v_n是车辆速度且v_min≤v_n≤v_max。

为解决上述技术问题，本发明提供了一种车联网联邦学习中的车辆选择系统，包括：

车辆选择模块：用于在车联网联邦学习场景中，假设一组车辆{1,2,...,N}穿过基站的覆盖区域，根据车辆在基站覆盖区域内的停留时间、以及车辆的本地模型与基站的全局模型之间的相似性选择参与联邦学习的车辆；

其中，所述车辆的本地模型基于基站的全局模型构建。

本发明的上述技术方案相比现有技术具有以下优点：

本发明通过定义车辆在边缘服务器覆盖范围的停留时间、以及车辆的本地模型与基站的全局模型之间的相似性来衡量车辆的参与必要性，通过设置参与必要性阈值，在每一轮联邦学习下发全局模型之前，选择参与本地训练的车辆，以减少不必要的计算和通信开销并确保模型的代表性；

本发明通过仿真验证了所提方法相较于基线方法在联邦学习测试精度和平均成本具有优越性。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明。

图1是本发明实施例中车联网联邦学习场景示意图；

图2是本发明实施例中联邦学习流程图；

图3是本发明的车辆选择方法在不同决策阈值下联邦学习的测试精度图；

图4是本发明的车辆选择方法(决策阈值为1)与基线方法的联邦学习测试精度图；

图5是本发明的车辆选择方法与基线方法不同参与车辆数下的联邦学习平均成本图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

实施例一

参照图1所示，本发明涉及一种车联网联邦学习中的车辆选择方法，包括：在车联网联邦学习场景中，假设一组车辆{1,2,...,N}穿过基站的覆盖区域，根据车辆在基站覆盖区域内的停留时间、以及车辆的本地模型与基站的全局模型之间的相似性选择参与联邦学习的车辆；其中，所述车辆的本地模型基于基站的全局模型构建。

作为一种分布式深度学习范式，联邦学习为车联网中准确高效地处理车载数据提供了强大的工具。然而，联邦学习的并行传输和高消耗通信限制了参与车辆数，而参与者的选择影响联邦学习的性能。车辆作为联邦学习的参与者，具有高移动性，经常在不同交通特征的区域之间切换。不适当的参与者可能会造成不必要的计算和传输负担，或可能损害全局模型的代表性，影响模型的收敛。因此本实施例通过定义车辆在基站的边缘服务器覆盖范围内的停留时间、以及模型相似性衡量车辆的参与必要性，通过设置参与必要性阈值，在每一轮联邦学习下发全局模型之前，选择参与本地训练的车辆，以减少不必要的计算和传输成本并确保模型的代表性。

以下对本实施方式进行详细介绍：

1、一种基于车辆移动性和模型相似性的联邦学习参与车辆选择算法，其特征在于基站与其覆盖范围内的车辆共同训练一个机器学习模型，考虑一个车联网联邦学习场景，假设一组车辆{1,2,...,N}由左到右穿过基站(BS)覆盖区域，车辆配备有车载处理器，每个车辆n∈[N]可以利用自身的本地数据集D_n与BS协作训练一个机器学习模型。BS配备了具有强大计算能力的边缘服务器(ES)，可以提供远程和集中的处理能力。由于信道资源的约束，BS选择一部分车辆参与一轮联邦学习训练。被选择的车辆可以训练和上传本地模型，剩下的车辆只需要下载最终收敛的全局模型。

A.移动模型

假设单位时间内通过边缘服务器的车辆数遵循泊松分布。在稳态交通状态下车辆速度遵循高斯分布。为了限制车辆速度的范围，本实施例从截断的高斯分布中随机生成每辆车的速度v_n，v_min≤v_n≤v_max，v_min和v_max分别表示车辆的最小和最大速度，并假设车辆在BS覆盖范围内的速度保持不变。根据以下概率密度函数生成车辆速度v_n。

其中，是平均速度，σ是车辆速度的标准差，/>是高斯误差函数。

B.车联网联邦学习模型

在上述场景中，联邦学习过程发生在边缘服务器(基站)和其覆盖范围内的某些车辆之间。联邦学习的过程如下：

(1)车辆选择：在一轮迭代开始前，边缘服务器首先选择参与训练的车辆下载当前全局模型。车辆的选择应考虑车辆在BS覆盖范围内的停留时间以及本地模型和全局模型的相似性。

(2)下载全局模型：一旦选择好参与训练的车辆，边缘服务器将其初始全局模型发送到所选车辆，以便在这些车辆进行分布式学习。

(3)本地模型训练：参与车辆根据自身的本地数据集训练模型，采用联邦随机梯度下降实现对全局模型的更新。

(4)上传本地模型：车辆将其本地模型发送到边缘服务器。

(5)全局聚合：边缘服务器在接收到车辆的本地模型后，聚合本地模型参数来更新全局模型。

上述过程多次迭代，直到全局模型满足收敛条件为止。

考虑N辆车，在边缘服务器的协调下协同训练全局模型参数向量w∈R^d，车辆通过共享无线介质连接到边缘服务器，以最小化损失函数。

其中，F_n(w)表示车辆n处的本地损失函数，n∈[N]。

学习的目标是找到使全局损失函数F(w)最小化的最优全局模型参数向量，如下式：

在联邦学习中，每个车辆执行多次随机梯度下降(SGD)更新，以基于从BS接收到的模型参数向量，使其局部数据集的经验损失函数最小化。设D_n表示车辆n处的本地数据集，n∈[N]，其中|D_n|＝D为本地数据集的大小。车辆n处的本地损失函数由下式给出：

其中，f(w,π_x)是由学习任务定义的经验损失函数，并量化样本π_x处模型w的损失。

在第r轮全局迭代期间，r＝0,1,...，从BS接收到全局模型参数向量w(r)后，车辆n执行τ步本地SGD来计算新的本地模型。对于车辆n处的第r轮全局迭代，n∈[N]，第i步本地SGD更新如下：

其中，表示学习率，/>表示在局部小批量样本/>处计算的梯度，该样本从本地数据集中随机均匀选择。

每个车辆在τ轮本地步长后向BS传递其本地模型估计，BS通过对这些结果进行平均来更新全局模型参数向量w(r+1)。

然后，将该更新的向量发送给车辆以进行进一步计算，直到收敛。车辆n处的本地模型更新定义为：

Δw_n(r)＝w_n(r+1)-w(r),n∈[N] (7)

对应的，式(6)中的更新可以写为：

上述公式(5)-(8)相当于求解最优的模型参数w^*。

每个参与车辆的一轮联邦学习的延迟由两部分组成，即通信延迟和计算延迟。通常，所有车辆都具有由边缘服务器初始化的相同模型结构，w_n(r)有固定的模型大小ζ。在不失一般性的情况下，假设车辆与BS采用正交频分多址(OFDMA)方案通信，并且在每个通信轮次r，为每个参与车辆n分配带宽B，其中系统带宽被划分为M个子信道，M＜N。因此，每个参与车辆n的可实现传输速率可以定义为：

其中，表示参与车辆n和BS之间的信道增益，/>表示参与车辆n的发射功率，N₀表示噪声功率。因此，通信延迟可以定义为：

另一方面，每个参与车辆n训练其本地模型的本地计算延迟可以表示为：

其中，τ是本地迭代的次数，φ_n表示处理一个样本所需的CPU周期数；φ_nD表示第r轮中处理所有样本所需的CPU周期数；f_n是CPU频率。因此，第r轮中每个参与车辆n的总延迟可以写为：

设参与车辆一轮联邦学习的本地计算和传输的单位时间成本为δ，因此，一轮中所有参与车辆的平均成本定义为：

2、移动与模型感知的联邦学习参与车辆选择算法

由于车辆网络的带宽有限，BS无法接收所有车辆的模型参数。因此，在车联网联邦学习中，每一轮仅选择这些候选车辆的一个子集(表示为参与车辆集S_r)。特别地，其中/>表示选择了车辆并将其添加到S_r中，否则/>

为了实现联邦学习，需要将参与车辆的模型参数上传到边缘服务器进行聚合。然而，对于服务器的覆盖区域o，如果车辆即将离开但仍参与聚合，其上传的模型将对全局模型的效率产生负面影响，同时也会降低模型的代表性。此外，某些车辆不需要太频繁地上传参数，这也会增加不必要的通信成本。为了解决这些问题，本节提出了一种移动与模型感知的联邦学习参与车辆选择算法，以减少不必要的计算和通信成本并提高模型的效率和代表性。由于每一轮联邦学习的工作流程是相同的，以下算法的设计属于特定的一轮，因此省略轮次标志。

假设边缘服务器的半径为R_B，以BS为原点，车辆行驶方向为x轴建立直角坐标系，车辆n的当前x轴坐标为x_n，车辆n的行驶速度为v_n，根据美国公共道路局定义的阻抗函数，可以得到当前车辆n在BS覆盖范围内的预计停留时间。

其中，(R_B-x_n)/v_n是车辆n从当前位置到离开BS覆盖范围所经过的时间。χ₁，χ₂是根据实际城市交通环境确定的系数。g_o是区域o每小时的当前交通量。G_o是区域o每小时的最大容量。

在覆盖区域o中，为了判断车辆n是否参与本轮，定义来衡量参与必要性，参与必要性受模型相似度和车辆停留时间的影响。

其中，

其中，w_n是车辆n存储的本地模型参数。为区域o的最新全局模型参数。/>为本地模型与全局模型的绝对模型差值。/>是聚合轮的平均间隔，由服务器提供。/> 此外，α_n和β_n都是归一化指标，这意味着它们对必要性/>有相同程度的影响，α_n∈[0,1]，β_n∈[-1,1]。

最后，基于必要性定义ξ_n来表示决策结果。这里，/>是区域o的决策阈值。

实验分析如下：

对本发明的车辆选择方法做了仿真实验，结果如下：图3显示了所提车辆选择方法在不同决策阈值下的联邦学习测试精度。可以看出，决策阈值为1时，联邦学习的测试精度上升的最快，且收敛到最高的值。这是因为决策阈值为1时，选择算法综合考虑了车辆的移动性和模型相似性，确保选择到的车辆具有更好的模型代表性且节省了不必要的通信轮次。当决策阈值为0时，选择算法选择了较多模型相似性较大的车辆，导致模型的代表性较差，联邦学习的测试精度较低，且精度不稳定。当决策阈值为1.5时，选择方法对参与车辆的要求更为严苛，导致有很少的车辆参与联邦学习，测试精度收敛的较慢，但精度变化比较稳定。本实施例的后续实验中均采用决策阈值为1的选择算法。

图4将本发明的车辆选择方法与基于本地模型和全局模型差异的CFL算法和基于随机选择的联邦平均算法(FedAvg)进行比较。计算了所提出方法的精度，并与每个通信轮的FegAvg和CFL进行了比较。所提方法的一轮通信意味着BS初始化全局模型，然后根据车辆的移动性和模型相似性选择参与车辆，将全局模型转发给参与车辆。一旦参与车辆接收到模型，他们就开始对其本地数据进行训练，并将更新后的模型发送回BS。最后，BS执行全局聚合。可以看出，与其他两种方案相比，本发明所提出的方法的性能更好、收敛更快、精度更高。

图5显示了不同方案下联邦学习的平均成本随参与车辆数的变化图。可以看出，本发明的车辆选择方法(图5中对应数字1)在选择不同参与车辆数的情况下具有最低的平均成本，且随着参与车辆数的增多，平均成本逐渐增大。CFL(图5中对应数字2)在车辆数较少时，平均成本较大，这是因为，CFL倾向于选择模型差异性较大的车辆，而车辆刚驶入BS覆盖范围时往往携带的模型具有较大的差异性，因此选择的车辆远离BS，导致较大的传输成本，而随着选择的车辆数增多，CFL的平均成本逐渐下降。FedAvg(图5中对应数字3)随机选择参与车辆，导致较高的平均成本。可以看出，随着车辆数的增多，本发明与两种对比方法的平均成本差距逐渐缩小。然而，本发明是一个动态过程，当新的车辆进入边缘服务器的覆盖区域时，会优先选择成本小的车辆进行训练。该实验表明，在优化联邦学习平均成本的情况下，与其他对比方案相比，本发明的车辆选择方法具有优势。

不难发现，本发明针对将联邦学习(FL)引入车联网的挑战，首先，车辆网络的带宽有限，并且FL的并行传输和高消耗通信限制了参与车辆数，BS无法接收所有车辆的本地模型参数；此外，车辆作为FL的参与者，具有较高的移动性，经常在具有不同交通特征的区域之间切换；在特定地区，不适当的参与者可能会造成不必要的计算和通信开销，或可能损害全局模式的代表性；因此本发明考虑车辆的移动性和车辆的本地模型与基站的全局模型之间的相似性，设计了在联邦学习中设计了车辆选择方法。具体地，本发明通过定义车辆在边缘服务器覆盖范围的停留时间和模型相似性衡量车辆的参与必要性，通过设置参与必要性阈值，在每一轮FL下发全局模型之前，选择参与本地训练的车辆，以减少不必要的计算和通信开销并确保模型的代表性。

实施例二

本实施例提供一种车联网联邦学习中的车辆选择系统，包括：

车辆选择模块：用于在车联网联邦学习场景中，假设一组车辆{1,2,...,N}穿过基站的覆盖区域，根据车辆在基站覆盖区域内的停留时间、以及车辆的本地模型与基站的全局模型之间的相似性选择参与联邦学习的车辆；

其中，所述车辆的本地模型基于基站的全局模型构建。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (5)

1.一种车联网联邦学习中的车辆选择方法，其特征在于：包括：

在车联网联邦学习场景中，假设一组车辆{1,2,...,N}穿过基站的覆盖区域，根据车辆在基站覆盖区域内的停留时间、以及车辆的本地模型与基站的全局模型之间的相似性选择参与联邦学习的车辆；

其中，所述车辆的本地模型基于基站的全局模型构建；

所述车联网联邦学习包括：

车辆选择：在一轮迭代开始前，基站的边缘服务器首先根据车辆在基站覆盖区域内的停留时间、以及车辆的本地模型与基站的全局模型之间的相似性选择参与训练的车辆；

下载全局模型：选择好参与训练的车辆，边缘服务器将初始全局模型发送到所选车辆，用于参与训练的车辆进行分布式学习；

本地模型训练：参与训练的车辆根据自身的本地数据集训练初始全局模型，并采用联邦随机梯度下降对初始全局模型进行更新，得到本地模型；

上传本地模型：参与训练的车辆将自身的本地模型发送到边缘服务器；

全局聚合：边缘服务器接收参与训练的车辆的本地模型，并聚合本地模型的参数以更新初始全局模型；

经过若干次迭代，直至全局模型收敛；

所述基站的边缘服务器首先根据车辆在基站覆盖区域内的停留时间、以及车辆的本地模型与基站的全局模型之间的相似性选择参与训练的车辆，方法包括：

假设边缘服务器的覆盖区域半径为R_B，以基站为原点，车辆行驶方向为x轴建立直角坐标系，车辆n的当前x轴坐标为x_n，车辆n的行驶速度为v_n，则计算车辆n在基站覆盖范围内的预计停留时间；

根据车辆n在基站覆盖范围内的预计停留时间，在覆盖区域o中，通过定义必要性来判断车辆n是否参与本轮迭代，其中，所述必要性/>与模型相似性和车辆停留时间相关；

基于所述必要性定义ξ_n，通过所述ξ_n来决策车辆n是否参与训练；

所述计算车辆n在基站覆盖范围内的预计停留时间，公式为：

其中，(R_B-x_n)/v_n是车辆n从当前位置到离开基站覆盖范围所经过的时间，χ₁，χ₂是根据实际城市交通环境确定的系数，g_o是边缘服务器的覆盖区域o每小时的当前交通量，G_o是边缘服务器的覆盖区域o每小时的最大容量；

所述必要性的公式为：

其中，w_n是车辆n存储的本地模型参数，为边缘服务器的覆盖区域o的最新全局模型参数，/>为本地模型与全局模型的绝对模型差值，T_o ^*是聚合轮的平均间隔且是车辆n在基站覆盖范围内的预计停留时间且/>α_n和β_n都是归一化指标，α_n∈[0,1]，β_n∈[-1,1]；

所述基于所述必要性定义ξ_n，通过所述ξ_n来决策车辆n是否参与训练，公式为：

其中，是边缘服务器的覆盖区域o的决策阈值。

2.根据权利要求1所述的车联网联邦学习中的车辆选择方法，其特征在于：所述参与训练的车辆根据自身的本地数据集训练初始全局模型时，还包括：获取车辆n处训练时的本地损失函数F_n(w)，根据所述车辆n处训练时的本地损失函数构建全局损失函数F(w)，并计算使所述全局损失函数F(w)最小化的全局模型参数向量w，表示为：

其中，w表示全局模型参数向量，F_n(w)表示车辆n处训练时的本地损失函数，n∈[N]，/>D_n表示车辆n处的本地数据集，|D_n|＝D为本地数据集的大小，f(w,π_x)是由学习任务定义的经验损失函数，并量化样本π_x处全局模型参数向量w的损失。

3.根据权利要求1所述的车联网联邦学习中的车辆选择方法，其特征在于：所述参与联邦学习的车辆n的总延迟公式为：

其中，表示传输延迟且/>ζ表示参与车辆n的接收到边缘服务器下发的初始全局模型大小，/>表示参与车辆n的传输速率，r表示通信轮次，/>表示车辆n训练其本地模型的本地计算延迟且/>τ是本地迭代的次数，φ_n表示处理一个样本所需的CPU周期数，φ_nD表示第r轮中处理所有样本所需的CPU周期数，f_n是CPU频率。

4.根据权利要求1所述的车联网联邦学习中的车辆选择方法，其特征在于：车辆n∈[N]穿过基站的覆盖区域的车辆速度由概率密度函数生成，所述概率密度函数公式为：

其中，是平均速度，σ是车辆速度的标准差，/>是高斯误差函数，v_min和v_max分别表示车辆的最小和最大速度，v_n是车辆速度且v_min≤v_n≤v_max。

5.一种车联网联邦学习中的车辆选择系统，其特征在于：包括：

车辆选择模块：用于在车联网联邦学习场景中，假设一组车辆{1,2,...,N}穿过基站的覆盖区域，根据车辆在基站覆盖区域内的停留时间、以及车辆的本地模型与基站的全局模型之间的相似性选择参与联邦学习的车辆；

其中，所述车辆的本地模型基于基站的全局模型构建；

所述车联网联邦学习包括：

车辆选择：在一轮迭代开始前，基站的边缘服务器首先根据车辆在基站覆盖区域内的停留时间、以及车辆的本地模型与基站的全局模型之间的相似性选择参与训练的车辆；

下载全局模型：选择好参与训练的车辆，边缘服务器将初始全局模型发送到所选车辆，用于参与训练的车辆进行分布式学习；

本地模型训练：参与训练的车辆根据自身的本地数据集训练初始全局模型，并采用联邦随机梯度下降对初始全局模型进行更新，得到本地模型；

上传本地模型：参与训练的车辆将自身的本地模型发送到边缘服务器；

全局聚合：边缘服务器接收参与训练的车辆的本地模型，并聚合本地模型的参数以更新初始全局模型；

经过若干次迭代，直至全局模型收敛；

所述基站的边缘服务器首先根据车辆在基站覆盖区域内的停留时间、以及车辆的本地模型与基站的全局模型之间的相似性选择参与训练的车辆，方法包括：

假设边缘服务器的覆盖区域半径为R_B，以基站为原点，车辆行驶方向为x轴建立直角坐标系，车辆n的当前x轴坐标为x_n，车辆n的行驶速度为v_n，则计算车辆n在基站覆盖范围内的预计停留时间；

根据车辆n在基站覆盖范围内的预计停留时间，在覆盖区域o中，通过定义必要性来判断车辆n是否参与本轮迭代，其中，所述必要性/>与模型相似性和车辆停留时间相关；

基于所述必要性定义ξ_n，通过所述ξ_n来决策车辆n是否参与训练；

所述计算车辆n在基站覆盖范围内的预计停留时间，公式为：

其中，(R_B-x_n)/v_n是车辆n从当前位置到离开基站覆盖范围所经过的时间，χ₁，χ₂是根据实际城市交通环境确定的系数，g_o是边缘服务器的覆盖区域o每小时的当前交通量，G_o是边缘服务器的覆盖区域o每小时的最大容量；

所述必要性的公式为：

其中，w_n是车辆n存储的本地模型参数，为边缘服务器的覆盖区域o的最新全局模型参数，/>为本地模型与全局模型的绝对模型差值，T_o ^*是聚合轮的平均间隔且是车辆n在基站覆盖范围内的预计停留时间且/>α_n和β_n都是归一化指标，α_n∈[0,1]，β_n∈[-1,1]；

所述基于所述必要性定义ξ_n，通过所述ξ_n来决策车辆n是否参与训练，公式为：

其中，是边缘服务器的覆盖区域o的决策阈值。