买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：江西锦路科技开发有限公司

摘要：本发明涉及分布式交通流预测技术领域，且公开了一种基于个性化联邦学习的分布式交通流预测方法，包括以下步骤：建立一个以跨区域协同训练为目的的联邦学习框架，使用本地数据训练全局模型，并采用多任务训练方式，在不共享数据的前提下，允许各搭载本地神经网络算法的道路区域边缘服务器保持神经网络层的部分私有化的同时，训练得到符合本地数据特征的个性化预测模型，有效改善交通流数据异构性对预测精度的影响，使用最后一轮的个性化预测模型作为本地预测模型，更好的保留了各道路区域边缘服务器数据特征，在预测工作中能够更好的拟合非人为因素误差。

主权项：1.一种基于个性化联邦学习的分布式交通流预测方法，其特征在于：包括以下步骤：步骤一、建立一个以跨区域协同训练为目的的联邦学习框架，使用本地数据训练全局模型，并采用多任务训练方式，允许各搭载本地神经网络算法的道路区域边缘服务器保持神经网络层的部分私有化的同时，训练得到符合本地数据特征的个性化预测模型；步骤二、通过搭载本地神经网络算法的道路区域边缘服务器进行交通流数据的采集和数据预处理工作，再将预处理后的交通流数据上传至中心云服务器；步骤三、通过搭载联邦学习算法的中心云服务器下发全局模型初始参数至各搭载本地神经网络算法的道路区域边缘服务器中，各道路区域边缘服务器利用本地数据进行联邦学习训练，得到更新后的本地预测模型；步骤四、在联邦学习的过程中增加多任务算法，在完成步骤三的本地更新后，各道路区域边缘服务器根据下发的全局模型，随机抽样交通流数据单独训练，并将所得模型参数保留在私有化的循环神经网络LN层中，该模型参数为本地预测模型训练时使用；道路区域边缘服务器通过循环神经网络中的LN层作为补丁层，进行联邦学习的个性化处理，LN层为卷积神经网络中的归一化处理中间层，连接所有输入数据的通道，归一化为均值为0方差为1的正态分布模式，道路区域边缘服务器更新后的本地预测模型参数与LN层内的数据具有相同的特征，并将本地预测模型参数储存在LN层中，作用于下一轮的联邦训练；循环神经网络由输入层、输出层和隐藏层组成，并通过循环结构把不同时间的层间神经元相连接，LN层放置在非线性层前，道路区域边缘服务器在训练循环神经网络时，针对一个batch内，图像对应的所有通道进行标准归一化处理，对LN层的输入数据进行白化预处理，LN层在训练过程中记录的超参数直接运用于下一轮的联邦训练，得到均值为0、方差为1的标准分布数据，预处理后的LN层的输入表达式如下： 公式中，表示神经元的分布数据，为防止方差为0产生无效计算而引入的极小值，表示第个时间点的数据，表示神经元的均值，表示神经元的方差；步骤五、各道路区域边缘服务器完成该轮次的本地更新后，将步骤三中所得的新一轮本地预测模型上传至中心云服务器；步骤六、中心云服务器接收各道路区域边缘服务器上传的模型参数后，利用联邦学习算法进行聚合更新，得到新的全局模型，若模型精度达到预设要求，则将最后一轮训练的个性化预测模型作为本地预测模型，若模型精度未达到预设要求，则将此全局模型参数重新下发重复上述步骤一至步骤五，直到全局模型达到预设要求。

全文数据：

权利要求：

百度查询： 江西锦路科技开发有限公司 一种基于个性化联邦学习的分布式交通流预测方法