CN117114134A - 分布式数据处理方法及装置 - Google Patents
分布式数据处理方法及装置 Download PDFInfo
- Publication number
- CN117114134A CN117114134A CN202311065199.1A CN202311065199A CN117114134A CN 117114134 A CN117114134 A CN 117114134A CN 202311065199 A CN202311065199 A CN 202311065199A CN 117114134 A CN117114134 A CN 117114134A
- Authority
- CN
- China
- Prior art keywords
- information
- model
- global
- local
- identified
- 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
Links
- 238000003672 processing method Methods 0.000 title abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 30
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 230000010365 information processing Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 238000004821 distillation Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000011664 signaling Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种分布式数据处理方法及装置。其中,所述分布式数据处理方法,包括:获取所述目标区域内的待识别信息,其中,所述待识别信息包括乘客出行信息和/或驾驶员行驶信息;在所述待识别信息包括所述乘客出行信息和所述驾驶员行驶信息的情况下,通过本地决策模型对输入的所述待识别信息进行处理,得到目标匹配结果;在所述待识别信息包括所述驾驶员行驶信息的情况下,通过所述本地决策模型对输入的所述待识别信息进行处理,得到巡航引导信息。基于本发明实施例技术方案,能够提高所确定的目标匹配结果和/或巡航引导信息的准确性。
Description
技术领域
本发明涉及车联网场景中的智能巡航引导技术领域,尤其涉及一种分布式数据处理方法及装置。
背景技术
目前共享出行已经成为主流的交通出行方式,但仍存在供需不平衡和车辆利用率较低等问题。这是因为司机在没有接到订单的时候仅仅依靠自己的经验进行巡航,然而由于车辆与订单的分布情况随时间变化具有差异性,司机可能不能及时地接到订单,乘客也可能等待许久也没有匹配成功。
现有技术中,利用人工智能技术中的路线优化算法和交通流量预测等技术手段,根据历史数据和实时监测数据训练决策模型,基于决策模型为司机提供匹配信息和/或巡航引导信息。但区域有繁华、冷清之别,司机和乘客的数量以及分布都呈现出一定的差异性,且各个共享出行运营商的客户群体也有所不同,因此,往往基于决策模型确定的匹配信息和/或巡航引导信息的准确性较差。
发明内容
本发明提供了一种分布式数据处理方法及装置,以解决基于决策模型确定的匹配信息和/或巡航引导信息的准确性较差的技术问题。
根据本发明的一方面,提供了一种分布式数据处理方法,其中,该方法包括:
获取目标区域内的待识别信息,其中,所述待识别信息包括乘客出行信息和/或驾驶员行驶信息;
在所述待识别信息包括所述乘客出行信息和所述驾驶员行驶信息的情况下,通过本地决策模型对输入的所述待识别信息进行处理,得到目标匹配结果,其中,所述本地决策模型基于各个边缘端的样本决策数据对初始决策模型进行联邦训练得到,所述样本决策数据包括样本匹配数据和/或样本巡航引导数据;
在所述待识别信息包括所述驾驶员行驶信息的情况下,通过所述本地决策模型对输入的所述待识别信息进行处理,得到巡航引导信息,其中,所述巡航引导信息包括巡航方向和/或巡航时间。
根据本发明的另一方面,提供了一种分布式数据处理装置,其中,该装置包括:
信息获取模块,用于获取目标区域内的待识别信息,其中,所述待识别信息包括乘客出行信息和/或驾驶员行驶信息;
第一信息处理模块,用于在所述待识别信息包括所述乘客出行信息和所述驾驶员行驶信息的情况下,通过本地决策模型对输入的所述待识别信息进行处理,得到目标匹配结果,其中,所述本地决策模型基于各个边缘端的样本决策数据对初始决策模型进行联邦训练得到,所述样本决策数据包括样本匹配数据和/或样本巡航引导数据;
第二信息处理模块,用于在所述待识别信息包括所述驾驶员行驶信息的情况下,通过所述本地决策模型对输入的所述待识别信息进行处理,得到巡航引导信息,其中,所述巡航引导信息包括巡航方向和/或巡航时间。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的分布式数据处理方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的分布式数据处理方法。
本发明实施例的技术方案,通过获取所述目标区域内的待识别信息,其中,所述待识别信息包括乘客出行信息和/或驾驶员行驶信息;在所述待识别信息包括所述乘客出行信息和所述驾驶员行驶信息的情况下,通过本地决策模型对输入的所述待识别信息进行处理,得到目标匹配结果,其中,所述本地决策模型基于各个边缘端的样本决策数据对初始决策模型进行联邦训练得到,所述样本决策数据包括样本匹配数据和/或样本巡航引导数据;在所述待识别信息包括所述驾驶员行驶信息的情况下,通过所述本地决策模型对输入的所述待识别信息进行处理,得到巡航引导信息,其中,所述巡航引导信息包括巡航方向和/或巡航时间。提高了所确定的目标匹配结果和/或巡航引导信息的准确性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种分布式数据处理方法的流程图;
图2是根据本发明实施例二提供的一种分布式数据处理方法的流程图;
图3是根据本发明实施例提供的一种分布式数据处理系统的架构图;
图4是根据本发明实施例提供的一种训练本地决策模型的架构图;
图5是根据本发明实施例提供的一种分布式数据处理方法的整体信令图;
图6是根据本发明实施例提供的第一预设场景下分布式数据处理方法的流程图;
图7是根据本发明实施例提供的第一预设场景下分布式数据处理方法的信令图;
图8是根据本发明实施例提供的第二预设场景下分布式数据处理方法的流程图;
图9是根据本发明实施例提供的第二预设场景下分布式数据处理方法的信令图;
图10是根据本发明实施例提供的第三预设场景下分布式数据处理方法的流程图;
图11是根据本发明实施例提供的第三预设场景下分布式数据处理方法的信令图;
图12是根据本发明实施例三提供的一种分布式数据处理装置的结构示意图;
图13是实现本发明实施例的分布式数据处理方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种分布式数据处理方法的流程图,本实施例可适用于分布式车辆巡航引导的情况,该方法可以由分布式数据处理装置来执行,该分布式数据处理装置可以采用硬件和/或软件的形式实现,该分布式数据处理装置可配置于计算机软件中。如图1所示,该方法包括:
S110、获取目标区域内的待识别信息,其中,所述待识别信息包括乘客出行信息和/或驾驶员行驶信息。
其中,所述目标区域可以理解为当前边缘端服务器的覆盖区域。在本发明实施例中,所述目标区域可以根据场景需求预设,在此不做具体限定。
所述待识别信息可以理解为待识别的数据。在本发明实施例中,所述待识别信息可以根据场景需求预设,在此不做具体限定。可选的,所述待识别信息包括乘客出行信息和/或驾驶员行驶信息。
所述乘客出行信息可以理解为乘客的出行信息。在本发明实施例中,所述乘客出行信息可以根据场景需求预设,在此不做具体限定。可选的,所述乘客出行信息可以包括乘客的出发地、目的地以及乘客位置中至少一项。
具体的,可以通过乘客端获取所述乘客出行信息。其中,所述乘客端可以理解为乘客客户端。
所述驾驶员行驶信息可以理解为驾驶员的行驶信息。在本发明实施例中,所述驾驶员行驶信息可以根据场景需求预设,在此不做具体限定。可选的,所述驾驶员行驶信息可以包括驾驶员的驾驶员位置和驾驶方向中至少一项。
具体的,可以通过驾驶端获取所述驾驶员行驶信息。其中,所述驾驶端为驾驶员客户端。
S120、在所述待识别信息包括所述乘客出行信息和所述驾驶员行驶信息的情况下,通过本地决策模型对输入的所述待识别信息进行处理,得到目标匹配结果。
其中,所述本地决策模型可以理解为基于所述待识别信息确定目标匹配结果的模型。
所述目标匹配结果可以理解为通过本地决策模型对输入的所述待识别信息进行处理,得到的模型。可选的,所述目标匹配结果可以是所述乘客出行信息和所述驾驶员行驶信息之间的匹配结果。
其中,所述本地决策模型基于各个边缘端的样本决策数据对初始决策模型进行联邦训练得到,所述样本决策数据包括样本匹配数据和/或样本巡航引导数据。
其中,所述样本决策数据可以理解为训练所述初始决策模型的数据。可选的,所述样本决策数据可以包括样本匹配数据和/或样本巡航引导数据。
S130、在所述待识别信息包括所述驾驶员行驶信息的情况下,通过所述本地决策模型对输入的所述待识别信息进行处理,得到巡航引导信息。
其中,所述巡航引导信息可以理解为引导所述驾驶端的巡航信息。在本发明实施例中,所述巡航引导信息可以根据场景需求预设,在此不做具体限定。可选的,所述巡航引导信息可以包括巡航方向和/或巡航时间。
可选的,所述分布式数据处理方法,还包括:
将所述目标匹配结果发送至所述乘客端和所述驾驶端,和/或,将所述巡航引导信息发送至所述驾驶端。
本发明实施例的技术方案,通过获取所述目标区域内的待识别信息,其中,所述待识别信息包括乘客出行信息和/或驾驶员行驶信息;在所述待识别信息包括所述乘客出行信息和所述驾驶员行驶信息的情况下,通过本地决策模型对输入的所述待识别信息进行处理,得到目标匹配结果,其中,所述本地决策模型基于各个边缘端的样本决策数据对初始决策模型进行联邦训练得到,所述样本决策数据包括样本匹配数据和/或样本巡航引导数据;在所述待识别信息包括所述驾驶员行驶信息的情况下,通过所述本地决策模型对输入的所述待识别信息进行处理,得到巡航引导信息,其中,所述巡航引导信息包括巡航方向和/或巡航时间。提高了所确定的目标匹配结果和/或巡航引导信息的准确性。
实施例二
图2为本发明实施例二提供的一种分布式数据处理方法的流程图,本实施例是针对上述实施例中所述通过边缘端存储的本地决策模型对输入的所述待识别信息进行处理,得到目标匹配结果进行追加。如图2所示,该方法包括:
S210、针对每个边缘端,基于当前所述边缘端的所述样本决策数据对所述初始决策模型和初始全局模型进行训练得到中间决策模型和中间全局模型,其中,所述初始全局模型为云端下发的学生模型。
其中,所述初始决策模型可以理解为初始的决策模型。
所述初始全局模型可以理解的为初始的全局模型。在本发明实施例中,所述初始全局模型可以为云端下发的学生模型。
所述中间决策模型可以理解为基于所述样本决策数据对所述初始决策模型进行训练得到的模型。所述中间全局模型可以理解为基于所述样本决策数据对所述初始全局模型进行训练得到的模型。
所述学生模型可以理解为轻量级的深度学习模型。
S220、基于所述中间决策模型和所述中间全局模型,确定所述本地决策模型。
可选的,所述基于所述中间决策模型和所述中间全局模型,确定所述本地决策模型,包括:
针对每个所述边缘端,将所述中间全局模型对应的第一模型参数发送至所述云端,以使所述云端对多个所述边缘端发送的所述第一模型参数进行加权聚合,得到所述聚合全局参数(参考图3);
基于所述聚合全局参数更新所述第一模型参数,得到更新后的所述中间全局模型;
基于所述中间决策模型和更新后的所述中间全局模型,确定所述本地决策模型。
其中,所述第一模型参数可以理解为所述中间全局模型对应的模型参数。
所述聚合全局参数可以理解为通过所述云端对多个所述边缘端发送的所述第一模型参数进行加权聚合,得到的模型参数。
可选的,更新后的所述中间全局模型对应的所述第一模型参数包括第一本地参数和第一全局参数,所述中间决策模型对应的第二模型参数包括第二本地参数和第二全局参数。
其中,所述第一本地参数可以理解为所述第一模型参数中与本地数据特征对应的参数。所述第一全局参数可以理解为所述第一模型参数中与全局数据特征对应的参数。
所述第二本地参数可以理解为所述第二模型参数中与本地数据特征对应的参数。所述第二全局参数可以理解为所述第二模型参数中与全局数据特征对应的参数。
可选的,所述基于所述中间决策模型和更新后的所述中间全局模型,确定所述本地决策模型,包括:
针对所述中间决策模型和更新后的所述中间全局模型,基于所述第二本地参数更新所述第一本地参数,并基于更新后的所述第一本地参数和所述第一全局参数,得到目标全局模型;
基于所述第一全局参数更新所述第二全局参数,并基于更新后的所述第二全局参数和所述第二本地参数,得到所述本地决策模型。
其中,所述基于所述第二本地参数更新所述第一本地参数,可以理解为,将所述中间决策模型学习到本地数据特征蒸馏给所述中间全局模型,以使所述中间全局模型学习到本地数据特征(参考图4)。进一步的,第一全局参数为所述中间全局模型基于其他边缘端学习到的全局数据特征所对应的模型参数。
其中,所述基于所述第一全局参数更新所述第二全局参数,可以理解为,将所述中间全局模型学习到的全局数据特征蒸馏给所述中间决策模型,以使所述中间决策模型学习到全局数据特征(参考图4)。进一步的,所述第二本地参数为所述中间决策模型基于当前边缘端的所述样本决策数据学习到的本地数据特征所对应的模型参数。因此,基于所述第一全局参数更新所述第二全局参数,并基于更新后的所述第二全局参数和所述第二本地参数,得到所述本地决策模型,可以使所确定的所述本地决策模型同时具备识别全局数据特征和本地数据特征的能力,以使所确定的所述本地决策模型在精准数据处理的基础上,实现数据的本地个性化处理。
可选的,所述分布式数据处理方法,还包括:
将所述目标匹配结果和所述巡航引导信息作为新增的所述样本决策数据,基于新增的所述样本匹配数据和所述目标全局模型更新所述本地决策模型。逐步提升了所述本地决策模型的数据处理的精准度。保证了基于所述本地决策模型确定的所述目标匹配结果和/或所述巡航引导信息的准确性。
S230、获取目标区域内的待识别信息,其中,所述待识别信息包括乘客出行信息和/或驾驶员行驶信息。
S240、在所述待识别信息包括所述乘客出行信息和所述驾驶员行驶信息的情况下,通过本地决策模型对输入的所述待识别信息进行处理,得到目标匹配结果。
S250、在所述待识别信息包括所述驾驶员行驶信息的情况下,通过所述本地决策模型对输入的所述待识别信息进行处理,得到巡航引导信息。
本发明实施例的技术方案,通过针对每个边缘端,基于当前所述边缘端的所述样本决策数据对所述初始决策模型和初始全局模型进行训练得到中间决策模型和中间全局模型,其中,所述初始全局模型为云端下发的学生模型;基于所述中间决策模型和所述中间全局模型,确定所述本地决策模型。可以使所确定的本地决策模型同时具备识别全局数据特征和本地数据特征的能力,以使所确定的本地决策模型在精准数据处理的基础上,实现数据的本地个性化处理。
可选的,参考图5、图6和图7,考虑第一预设场景,即车辆设备无法搭载智能模型,只能收集数据依靠边缘服务器的本地决策模型做出巡航引导决策。因此,该场景下首先车辆设备根据收集到的状态信息向边缘服务器发起引导请求,然后边缘服务器的本地决策模型根据车辆设备的状态做出引导决策并下发给车辆设备,接着边缘服务器根据引导记录训练更新本地决策模型与全局模型,并将全局模型发送至云服务器,最后云服务器聚合来自边缘端的全局模型后再将更新后的全局模型下发给边缘服务器。
本实施例中,假设车辆设备无法搭载智能模型,只能收集数据依靠边缘服务器的本地决策模型做出巡航引导决策。首先是车辆设备收集自身的位置和方向等状态信息,向边缘服务器的本地决策模型发起引导请求。
随后,边缘服务器的本地决策模型做出巡航引导决策下发给车辆设备,并存储该条引导记录作为模型训练数据集。模型训练阶段,全局模型与本地决策模型共享抽样数据,根据计算得到的loss进行策略互蒸馏,全局模型蒸馏传递给本地决策模型全局策略,本地决策模型则蒸馏传递给全局模型更新的本地策略。经过一段时间的训练更新后,将全局模型上传至云服务器。
最后,云服务器根据边缘服务器的训练数据集大小对全局模型执行加权平均聚合,并将聚合后的全局模型下发至边缘服务器用以全局模型更新。
可选的,参考图5、图8和图9,考虑第二预设场景,即车辆设备可以搭载本地决策模型,根据收集到的数据做出引导决策,但没有足够的计算和存储能力支撑模型的训练更新。因此,该场景下首先车辆设备根据收集到的状态信息做出引导决策并向边缘服务器发起模型更新请求,然后边缘服务器根据车辆设备收集的数据训练更新本地决策模型与全局模型,将全局模型发送到云服务器,接着云服务器聚合来自边缘端的全局模型后再将更新后的全局模型下发给边缘服务器,最后边缘服务器将本地决策模型下发给车辆设备。
本实施例中,假设车辆设备可以搭载本地决策模型并做出引导决策,但没有足够的计算和存储能力支撑模型的训练更新。首先是搭载在车辆设备上的本地决策模型根据收集自身的位置和方向等状态信息做出巡航引导决策,并存储该条引导记录,向边缘服务器发起模型更新请求。
随后,边缘服务器收集车辆设备的引导记录并构建模型训练数据。模型训练阶段,全局模型与本地决策模型共享抽样数据,根据计算得到的loss进行策略互蒸馏,全局模型蒸馏传递给本地决策模型全局策略,本地决策模型则蒸馏传递给全局模型更新的本地策略。经过一段时间的训练更新后,将全局模型上传至云服务器。
最后,云服务器内的全局模型生成器根据边缘服务器的训练数据集大小对各个边缘服务器的全局模型执行加权平均聚合,并将聚合后的全局模型下发至边缘服务器用以全局模型更新,将本地决策模型下发至车辆设备用以本地决策模型更新。
可选的,参考图5、图10和图11,考虑第三预设场景,即边缘服务器之间不存在可信的中心云节点,边缘服务器有充足的存储和计算能力。因此,该场景下首先是车辆设备根据收集到的状态信息向边缘服务器发起引导请求,然后边缘服务器的本地决策模型根据车辆设备的状态做出引导决策并下发给车辆设备,接着边缘服务器根据引导记录训练更新本地决策模型与全局模型,并将全局模型广播给其他边缘服务器,最后边缘服务器聚合来自其他节点的全局模型并更新。
本实施例中,假设边缘服务器之间不存在可信的中心云节点。首先是车辆设备收集自身的位置和方向等状态信息,向边缘服务器的本地决策模型发起引导请求。
随后,边缘服务器的本地决策模型做出巡航引导决策下发给车辆设备,并存储该条引导记录作为模型训练数据集。模型训练阶段,全局模型与本地决策模型共享抽样数据,根据计算得到的loss进行策略互蒸馏,全局模型蒸馏传递给本地决策模型全局策略,本地决策模型则蒸馏传递给全局模型更新的本地策略。经过一段时间的训练更新后,将全局模型广播至其它边缘服务器。
最后,边缘服务器根据其它边缘服务器的训练数据集大小对全局模型执行加权平均聚合,并更新全局模型。
本发明面向车联网场景中的智能巡航引导业务,提出了一种安全、高效的基于联邦策略蒸馏的分布式方案。具体地,针对多运营用户共存场景下的数据共享难题,设计了一种安全、高效的联邦框架,能够在保护用户隐私的前提下实现多运营用户的联合建模;针对各个运营用户拥有的数据特征异质问题,基于策略互蒸馏传递全局知识,为每个边缘端的运营用户构建个性化的本地决策模型,提高本地决策模型的鲁棒性。
实施例三
图12为本发明实施例三提供的一种分布式数据处理装置的结构示意图。如图12所示,该装置包括:信息获取模块310、第一信息处理模块320以及第二信息处理模块330;其中,
信息获取模块310,用于获取目标区域内的待识别信息,其中,所述待识别信息包括乘客出行信息和/或驾驶员行驶信息;第一信息处理模块320,用于在所述待识别信息包括所述乘客出行信息和所述驾驶员行驶信息的情况下,通过本地决策模型对输入的所述待识别信息进行处理,得到目标匹配结果,其中,所述本地决策模型基于各个边缘端的样本决策数据对初始决策模型进行联邦训练得到,所述样本决策数据包括样本匹配数据和/或样本巡航引导数据;第二信息处理模块330,用于在所述待识别信息包括所述驾驶员行驶信息的情况下,通过所述本地决策模型对输入的所述待识别信息进行处理,得到巡航引导信息,其中,所述巡航引导信息包括巡航方向和/或巡航时间。
本发明实施例的技术方案,通过获取所述目标区域内的待识别信息,其中,所述待识别信息包括乘客出行信息和/或驾驶员行驶信息;在所述待识别信息包括所述乘客出行信息和所述驾驶员行驶信息的情况下,通过本地决策模型对输入的所述待识别信息进行处理,得到目标匹配结果,其中,所述本地决策模型基于各个边缘端的样本决策数据对初始决策模型进行联邦训练得到,所述样本决策数据包括样本匹配数据和/或样本巡航引导数据;在所述待识别信息包括所述驾驶员行驶信息的情况下,通过所述本地决策模型对输入的所述待识别信息进行处理,得到巡航引导信息,其中,所述巡航引导信息包括巡航方向和/或巡航时间。提高了所确定的目标匹配结果和/或巡航引导信息的准确性。
可选的,信息获取模块310,用于:
通过乘客端获取所述乘客出行信息,通过驾驶端获取所述驾驶员行驶信息。
可选的,所述分布式数据处理装置,还包括信息传输模块,用于:
将所述目标匹配结果发送至所述乘客端和所述驾驶端,和/或,将所述巡航引导信息发送至所述驾驶端。
可选的,所述分布式数据处理装置,还包括中间模型训练模块和决策模型确定模块;其中,
所述中间模型训练模块,用于在通过边缘端存储的本地决策模型对输入的所述待识别信息进行处理,得到目标匹配结果之前,针对每个边缘端,基于当前所述边缘端的所述样本决策数据对所述初始决策模型和初始全局模型进行训练得到中间决策模型和中间全局模型,其中,所述初始全局模型为云端下发的学生模型;
所述决策模型确定模块,用于基于所述中间决策模型和所述中间全局模型,确定所述本地决策模型。
可选的,所述决策模型确定模块,包括:加权聚合单元、全局模型更新单元以及决策模型确定单元;其中,
所述加权聚合单元,用于针对每个所述边缘端,将所述中间全局模型对应的第一模型参数发送至所述云端,以使所述云端对多个所述边缘端发送的所述第一模型参数进行加权聚合,得到所述聚合全局参数;
所述全局模型更新单元,用于基于所述聚合全局参数更新所述第一模型参数,得到更新后的所述中间全局模型;
所述决策模型确定单元,用于基于所述中间决策模型和更新后的所述中间全局模型,确定所述本地决策模型。
可选的,更新后的所述中间全局模型对应的所述第一模型参数包括第一本地参数和第一全局参数,所述中间决策模型对应的第二模型参数包括第二本地参数和第二全局参数。
可选的,所述决策模型确定单元,用于:
针对所述中间决策模型和更新后的所述中间全局模型,基于所述第二本地参数更新所述第一本地参数,并基于更新后的所述第一本地参数和所述第一全局参数,得到目标全局模型;
基于所述第一全局参数更新所述第二全局参数,并基于更新后的所述第二全局参数和所述第二本地参数,得到所述本地决策模型。
可选的,所述分布式数据处理装置,还包括模型更新模块,用于:
将所述目标匹配结果和所述巡航引导信息作为新增的所述样本决策数据,基于新增的所述样本匹配数据和所述目标全局模型更新所述本地决策模型。
可选的,所述乘客出行信息包括乘客的出发地、目的地以及乘客位置中至少一项,所述驾驶员行驶信息包括驾驶员的驾驶员位置和驾驶方向中至少一项。
本发明实施例所提供的分布式数据处理装置可执行本发明任意实施例所提供的分布式数据处理方法,具备执行方法相应的功能模块和有益效果。
实施例四
图13示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图13所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如分布式数据处理方法。
在一些实施例中,分布式数据处理方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的分布式数据处理方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行分布式数据处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种分布式数据处理方法,其特征在于,包括:
获取目标区域内的待识别信息,其中,所述待识别信息包括乘客出行信息和/或驾驶员行驶信息;
在所述待识别信息包括所述乘客出行信息和所述驾驶员行驶信息的情况下,通过本地决策模型对输入的所述待识别信息进行处理,得到目标匹配结果,其中,所述本地决策模型基于各个边缘端的样本决策数据对初始决策模型进行联邦训练得到,所述样本决策数据包括样本匹配数据和/或样本巡航引导数据;
在所述待识别信息包括所述驾驶员行驶信息的情况下,通过所述本地决策模型对输入的所述待识别信息进行处理,得到巡航引导信息,其中,所述巡航引导信息包括巡航方向和/或巡航时间。
2.根据权利要求1所述的方法,其特征在于,所述获取所述目标区域内的待识别信息,包括:
通过乘客端获取所述乘客出行信息,通过驾驶端获取所述驾驶员行驶信息。
3.根据权利要求2所述的方法,其特征在于,还包括:
将所述目标匹配结果发送至所述乘客端和所述驾驶端,和/或,将所述巡航引导信息发送至所述驾驶端。
4.根据权利要求1所述的方法,其特征在于,在通过边缘端存储的本地决策模型对输入的所述待识别信息进行处理,得到目标匹配结果之前,还包括:
针对每个边缘端,基于当前所述边缘端的所述样本决策数据对所述初始决策模型和初始全局模型进行训练得到中间决策模型和中间全局模型,其中,所述初始全局模型为云端下发的学生模型;
基于所述中间决策模型和所述中间全局模型,确定所述本地决策模型。
5.根据权利要求4所述的方法,其特征在于,所述基于所述中间决策模型和所述中间全局模型,确定所述本地决策模型,包括:
针对每个所述边缘端,将所述中间全局模型对应的第一模型参数发送至所述云端,以使所述云端对多个所述边缘端发送的所述第一模型参数进行加权聚合,得到所述聚合全局参数;
基于所述聚合全局参数更新所述第一模型参数,得到更新后的所述中间全局模型;
基于所述中间决策模型和更新后的所述中间全局模型,确定所述本地决策模型。
6.根据权利要求5所述的方法,其特征在于,更新后的所述中间全局模型对应的所述第一模型参数包括第一本地参数和第一全局参数,所述中间决策模型对应的第二模型参数包括第二本地参数和第二全局参数。
7.根据权利要求6所述的方法,其特征在于,所述基于所述中间决策模型和更新后的所述中间全局模型,确定所述本地决策模型,包括:
针对所述中间决策模型和更新后的所述中间全局模型,基于所述第二本地参数更新所述第一本地参数,并基于更新后的所述第一本地参数和所述第一全局参数,得到目标全局模型;
基于所述第一全局参数更新所述第二全局参数,并基于更新后的所述第二全局参数和所述第二本地参数,得到所述本地决策模型。
8.根据权利要求1-7所述的方法,其特征在于,还包括:
将所述目标匹配结果和所述巡航引导信息作为新增的所述样本决策数据,基于新增的所述样本匹配数据和所述目标全局模型更新所述本地决策模型。
9.根据权利要求1所述的方法,其特征在于,所述乘客出行信息包括乘客的出发地、目的地以及乘客位置中至少一项,所述驾驶员行驶信息包括驾驶员的驾驶员位置和驾驶方向中至少一项。
10.一种分布式数据处理装置,其特征在于,包括:
信息获取模块,用于获取目标区域内的待识别信息,其中,所述待识别信息包括乘客出行信息和/或驾驶员行驶信息;
第一信息处理模块,用于在所述待识别信息包括所述乘客出行信息和所述驾驶员行驶信息的情况下,通过本地决策模型对输入的所述待识别信息进行处理,得到目标匹配结果,其中,所述本地决策模型基于各个边缘端的样本决策数据对初始决策模型进行联邦训练得到,所述样本决策数据包括样本匹配数据和/或样本巡航引导数据;
第二信息处理模块,用于在所述待识别信息包括所述驾驶员行驶信息的情况下,通过所述本地决策模型对输入的所述待识别信息进行处理,得到巡航引导信息,其中,所述巡航引导信息包括巡航方向和/或巡航时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311065199.1A CN117114134A (zh) | 2023-08-22 | 2023-08-22 | 分布式数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311065199.1A CN117114134A (zh) | 2023-08-22 | 2023-08-22 | 分布式数据处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117114134A true CN117114134A (zh) | 2023-11-24 |
Family
ID=88808576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311065199.1A Pending CN117114134A (zh) | 2023-08-22 | 2023-08-22 | 分布式数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114134A (zh) |
-
2023
- 2023-08-22 CN CN202311065199.1A patent/CN117114134A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210302585A1 (en) | Smart navigation method and system based on topological map | |
CN104424812B (zh) | 一种公交到站时间预测系统和方法 | |
CN109360416A (zh) | 道路交通预测方法及服务器 | |
CN110704491A (zh) | 数据查询方法和装置 | |
CN111476389A (zh) | 一种预估接单等待时长的方法及装置 | |
CN114500428B (zh) | 导航分享方法及装置、电子设备、存储介质 | |
CN113899381B (zh) | 用于生成路线信息的方法、装置、设备、介质和产品 | |
CN112883236A (zh) | 一种地图更新方法、装置、电子设备及存储介质 | |
CN108770014B (zh) | 网络服务器的计算评估方法、系统、装置及可读存储介质 | |
CN115330556B (zh) | 充电站的信息调整模型的训练方法、装置及产品 | |
CN113269339B (zh) | 一种网约车任务自动创建和分发的方法及系统 | |
CN117114134A (zh) | 分布式数据处理方法及装置 | |
CN110349428A (zh) | 识别用户是否正在前往公交站点的方法及装置 | |
US20220164723A1 (en) | Method for determining boarding information, electronic device, and storage medium | |
CN112541021B (zh) | 路线评估方法、风景区游览预估时长计算方法及装置 | |
CN115049151A (zh) | 导航路线推荐方法、装置、设备及存储介质 | |
CN113380037A (zh) | 一种交通信息采集方法和装置 | |
CN113344277A (zh) | 预测模型训练方法、状态更新方法、装置、设备和介质 | |
CN114596707B (zh) | 交通控制方法及装置、设备、系统、介质 | |
CN115063998B (zh) | 一种辅助驾驶数据的传输方法、装置及设备 | |
CN113407839B (zh) | 出行方式的确定方法、装置、设备和存储介质 | |
WO2022068558A1 (zh) | 一种地图数据的传输方法及装置 | |
CN114579889B (zh) | 订单热力图的推荐方法、装置、设备及存储介质 | |
CN115743100B (zh) | 泊车路线信息生成方法、装置、设备和计算机可读介质 | |
CN112258880B (zh) | 基于智慧交通的车辆管理系统 |
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 |