一种基于联邦学习的大范围路网交通流状态预测方法技术

本公开涉及一种基于联邦学习的大范围路网交通流状态预测方案，其特征在于，包括：步骤一、构建有向图；步骤二、建立初始模型；步骤三、随后使用反向传播算法更新训练参数；步骤四、使用联邦平均算法得到预测结果。基于上述方法，将大范围路网分解成若干子网，每个子网中的若干基站收集一段时间内一定范围内车辆的交通流特性，并且每一个基站当成联邦学习当中的一个参与者，让他们分别接收全局模型，在局部使用自己的数据集对当前子网交通流预测模型进行训练，随后再上传至服务器进行全局聚合，并由服务器进行路网未来状态进行预测。不仅能够有效的降低服务器的运算成本，还能够使模型的训练效率更高，预测效果更好。预测效果更好。预测效果更好。

【技术实现步骤摘要】
一种基于联邦学习的大范围路网交通流状态预测方法


[0001]本专利技术属于路网交通流预测、联邦学习、智能交通系统领域，具体而言涉及一种使用联邦学习的分布式机器学习框架对大范围路网分割子路网进行交通流状态预测的技术。

技术介绍

[0002]我国机动车保有量逐年快速增长，产生了一系列诸如交通拥堵、交通事故频发等路网资源以及机动车之间的供需矛盾问题，给予出行者以及交通管理部门极大的不便和困扰。智能交通系统是将计算机技术、数据通信技术等新一代科学技术有效的综合运用于交通运输、服务控制等交通领域的综合运输系统，而路网交通流预测是智能交通系统当中的重要研究方向，交通流预测能对路况未来一段时间交通网络演化的态势进行预测，为出行者提供准确的出行信息，为交通管理者进行主动的交通管控提供依据，能有效提高路网效率、保障交通安全，同时改善环境、节约能源。
[0003]联邦学习是谷歌于2016年提出的一种分布式机器学习技术。具体来说就是人们在多个拥有本地数据样本的分散式边缘设备或服务器上训练算法。这种方法与传统的集中式机器学习技术有显著不同，传统的集中式机器学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的大范围路网交通流状态预测方法，其特征在于，包括：步骤一、构建有向图将大范围路网模拟成一个有向图G＝(V，E)，其中V是点集，将交叉口模拟成有向图当中的顶点，E是边集，将两个交叉口之间的路段模拟成有向边。根据实际的交通路网物理特征将路网分割成n个不相交有向子图的划分步骤二、建立初始模型对于每个子网按时间间隔Δt分割时间段所得到的段数记为T，每一个基站通过采集车辆传递的GPS信息，数据集张成一个矩阵N表示时序序列的数量；建立门由T个GRU串联而成控循环单元，h
t
为第t个GRU单元输出；将h
T
作为全连接神经网络的输入，输入到网络当中进行训练得到预测结果步骤三、随后使用反向传播算法更新训练参数对于全连接神经网络的参数和门控循环单元的参数使用反向传播算法更新训练；其中所述反向传播算法的损失函数其中，v为训练集当中的真实值；经过若干次前向传播和反向传播，得到训练好的参数集合将参数集合发送给服务器；步骤四、使用联邦平均算法得到预测结果对于每一个子网G
q
，使用联邦平均算法更新全局模型：其中，|BS
q
|为当前子网参与联邦学习的所有基站数量之和，i为基站标号；每个子网G
q
的全局模型得到更新之后，使用所确定的门控循环单元以及全连接神经网络构建全局预测模型；使用存储好的历史交通流数据Ω输入到模型当中，得到预测结果2.根据权利要求1所述的一种基于联邦学习的大范围路网交通流状态预测方法，其特征在于，在所述步骤二中，所述门控循环单元中，W
r
，W
z
，W，U
r
，U
z
，U为需要训练的权重参数矩阵，h
t
为第t个GRU单元输出，x
t
为矩阵X的列向量；向前传播公式为：r
t
＝σ(W
r...

【专利技术属性】
技术研发人员：于海洋，梁育豪，任毅龙，赵亚楠，兰征兴，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：