基于动态图卷积网络的联邦学习私家车速度预测方法技术

本发明专利技术提供了一种基于动态图卷积网络的联邦学习私家车速度预测方法，包括：步骤1，采集城市中私家车的GPS数据和OBD数据，并基于GPS数据和OBD数据提取私家车的速度数据、平均速度和最大速度；步骤2，设计基于动态图卷积神经网络的跨节点联邦学习框架，基于私家车速度数据、平均速度和最大速度对私家车未来十二个步长内的速度进行预测。本发明专利技术在联邦学习设置中使用动态图卷积网络，弥补了复杂时空数据建模和去中心化数据处理之间的差距，在真实世界的数据集上进行的交通流预测实验，用于为驾驶员提供在接下来几个时间步中的车辆速度。员提供在接下来几个时间步中的车辆速度。员提供在接下来几个时间步中的车辆速度。

【技术实现步骤摘要】
基于动态图卷积网络的联邦学习私家车速度预测方法


[0001]本专利技术涉及城市计算和智能交通
，特别涉及一种基于动态图卷积网络的联邦学习私家车速度预测方法。

技术介绍

[0002]由于科技与经济的快速发展，人们有了更多的出行需求，私家车的数量与日俱增，城市内交通拥堵问题日益严重，智能交通系统是目前缓解拥堵提高效率的有效方法之一，交通预测技术能够为智能交通系统实现交通信息发布与诱导功能提供数据基础，帮助出行者提前规划路径，在一定程度上缓解拥堵。在城市交通中，私家车占了很大一部分比例；在交通流预测中，速度的预测是不可或缺的一部分，因此，私家车的速度预测能直接或间接反应交通状况，可为智能交通提供很大程度的技术支撑。
[0003]目前，对边缘设备或节点网络(如传感器、可穿戴设备和物联网设备)生成的时空数据的动态建模对于交通流预测、和用户活动检测等各种应用至关重要。虽然现有的时空动力学建模工作假设模型是利用从所有设备收集的集中数据进行训练，但在这些边缘设备上生成的数据量阻碍了集中式数据处理的使用，并且需要去中心化处理，在这种情况下，边缘上的计算可以显著提高延迟。此外，在进行时空预测时，边缘设备需要利用复杂的相互依赖性来提高预测性能。在联邦学习中解决这类问题的方案有很多，但这些模型要么没有考虑到固有的时空相关性要么只通过将正则化中的图结构强加于模型权重上，进行隐式地建模。因此，需要一种时空数据建模的架构，它能够在边缘上进行可靠的计算，同时维护分散的数据。

技术实现思路

[0004]本专利技术提供了一种基于动态图卷积网络的联邦学习私家车速度预测方法，其目的是为了解决传统的私家车速度预测方法不能在边缘上进行可靠的计算，不能同时维护分散的数据的问题。
[0005]为了达到上述目的，本专利技术的实施例提供了一种基于动态图卷积网络的联邦学习私家车速度预测方法，包括：
[0006]步骤1，采集城市中私家车的GPS数据和OBD数据，并基于GPS数据和OBD数据提取私家车的速度数据、平均速度和最大速度；
[0007]步骤2，设计基于动态图卷积神经网络的跨节点联邦学习框架，基于私家车速度数据、平均速度和最大速度对私家车未来十二个步长内的速度进行预测；
[0008]步骤3，将私家车的数据根据路段进行划分，每个路段为一个节点，将每个节点的交通速度数据聚合为五分钟窗口，并将整个序列截断为多个长度为24的序列，使用带有阈值的高斯核构造每个节点间的邻接矩阵；
[0009]步骤4，利用基于GRU的编解码器架构对节点的时间动态进行建模，并通过编码器得到每个节点的隐藏状态；
[0010]步骤5，基于中央服务器利用动态图卷积神经网络生成包含所有节点关系信息的节点嵌入，将所有节点的隐藏状态作为动态图卷积神经网络的输入；
[0011]步骤6，对动态图卷积神经网络每一层的输入进行更新，更新后的节点嵌入传入客户端节点中；
[0012]步骤7，将节点的隐藏向量与动态图卷积神经网络生成的包含空间信息的节点嵌入连接起来，作为解码器的初始状态向量，解码器以自回归的方式从输入序列X的最后一帧开始，使用连接的隐藏状态向量生成预测Y。
[0013]其中，所述步骤3具体包括：
[0014]对私家车的数据进行预处理，通过设置阈值的高斯核构造传感器的邻接矩阵，如下所示：
[0015][0016]其中，W
i,j
表示构造的传感器邻接矩阵，d
i,j
表示节点v
i
到节点v
j
的邻接距离，dist(v
i
,v
j
)表示节点v
i
到节点v
j
的路段距离，σ表示距离的标准差，k表示阈值。
[0017]其中，所述步骤4具体包括：
[0018]基于GRU的解编码器对节点的时空动态进行建模，构建节点间的拓扑图，如下所示：
[0019]G＝(V,ε)
[0020]其中，G表示节点间的拓扑图，V表示节点集，ε表示节点之间的关联；
[0021]节点i上的输入序列为x
i
∈R
m
×
D
，编码器序列读取整个序列并输出隐藏状态节点间的拓扑图，如下所示：
[0022]h
c,i
＝Encoder
i
(x
i
,h0)
[0023]其中，h0表示零值初始隐藏状态向量。
[0024]其中，所述步骤5具体包括：
[0025]通过动态图构造器捕捉节点间的变化关系，如下所示：
[0026]构建具有学习参数的邻接张量其中，N
t
表示时间戳数量，N表示节点数量，用于表示节点间的动态变化关系，邻接张量构造如下所示：
[0027][0028]A”t,i,j
＝max(0,A'
t,i,j
),
[0029][0030]其中，A'
t,i,j
表示邻接张量的初始化，d表示嵌入维度，o表示张量矩阵的第一维度，q表示张量矩阵的第二维度，r表示张量矩阵的第三维度，k表示核心张量，t表示时间戳，e表示目标节点，s表示源节点，表示各维度取值分别为o,p,r时的核心张量矩阵，表
示在时间戳为t时的时隙嵌入矩阵，表示目标节点为i时的嵌入矩阵，表示源节点为j时的嵌入矩阵，表示时隙嵌入，表示源节点嵌入，表示目标节点嵌入，E
k
∈R
d
×
d
×
d
表示核心张量矩阵，A”t,i,j
表示对原邻接张量进行最大化处理后得到的新邻接张量，N
s
表示源节点数量。
[0031]其中，所述步骤6具体包括：
[0032]在卷积层中，输入为节点交通数据的隐藏状态{h
c,i
|i∈V}和节点在t时的邻接矩阵A
φ(t)
，动态图卷积的定义，如下所示：
[0033][0034]其中，H
G,c,i
表示节点i进行动态图卷积后输出的空间隐藏状态，K表示最大传播步长，W
j
表示步长为j时的参数吗，表示t时的节点交通数据的时间隐藏状态。
[0035]其中，所述步骤7具体包括：
[0036]利用解码器生成预测Y，输入为节点特征x
i,m
，m为时间步，对两个隐藏状态进行连接，如下所示：
[0037][0038]其中，表示预测值，H
c,i
表示节点交通数据的时间隐藏状态，H
G,c,i
表示节点交通数据的空间隐藏状态。
[0039]其中，所述步骤7还包括：
[0040]在训练迭代过程中引用Dropout方法缓解网络过分拟合，其中，Dropout的计算过程，如下所示：
[0041][0042][0043]其中，表示节点j的概率向量，Be本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态图卷积网络的联邦学习私家车速度预测方法，其特征在于，包括：步骤1，采集城市中私家车的GPS数据和OBD数据，并基于GPS数据和OBD数据提取私家车的速度数据、平均速度和最大速度；步骤2，设计基于动态图卷积神经网络的跨节点联邦学习框架，基于私家车速度数据、平均速度和最大速度对私家车未来十二个步长内的速度进行预测；步骤3，将私家车的数据根据路段进行划分，每个路段为一个节点，将每个节点的交通速度数据聚合为五分钟窗口，并将整个序列截断为多个长度为24的序列，使用带有阈值的高斯核构造每个节点间的邻接矩阵；步骤4，利用基于GRU的编解码器架构对节点的时间动态进行建模，并通过编码器得到每个节点的隐藏状态；步骤5，基于中央服务器利用动态图卷积神经网络生成包含所有节点关系信息的节点嵌入，将所有节点的隐藏状态作为动态图卷积神经网络的输入；步骤6，对动态图卷积神经网络每一层的输入进行更新，更新后的节点嵌入传入客户端节点中；步骤7，将节点的隐藏向量与动态图卷积神经网络生成的包含空间信息的节点嵌入连接起来，作为解码器的初始状态向量，解码器以自回归的方式从输入序列X的最后一帧开始，使用连接的隐藏状态向量生成预测Y。2.根据权利要求1所述的基于动态图卷积网络的联邦学习私家车速度预测方法，其特征在于，所述步骤3具体包括：对私家车的数据进行预处理，通过设置阈值的高斯核构造传感器的邻接矩阵，如下所示：其中，W
i,j
表示构造的传感器邻接矩阵，d
i,j
表示节点v
i
到节点v
j
的邻接距离，dist(v
i
,v
j
)表示节点v
i
到节点v
j
的路段距离，σ表示距离的标准差，k表示阈值。3.根据权利要求2所述的基于动态图卷积网络的联邦学习私家车速度预测方法，其特征在于，所述步骤4具体包括：基于GRU的解编码器对节点的时空动态进行建模，构建节点间的拓扑图，如下所示：G＝(V,ε)其中，G表示节点间的拓扑图，V表示节点集，ε表示节点之间的关联；节点i上的输入序列为x
i
∈R
m
×
D
，编码器序列读取整个序列并输出隐藏状态节点间的拓扑图，如下所示：h
c,i
＝Encoder
i
(x
i
,h0)其中，h0表示零值初始隐藏状态向量。4.根据权利要求3所述的基于动态图卷积网络的联邦学习私家车速度预测方法，其特征在于，所述步骤5具体包括：通过动态图构造器捕捉节点间的变化关系，如下所示：
构建具有学习参数的邻接张量其中，N
t
表示时间戳数量，N表示节点数量，用于表示节点间的动态变化关系，邻接张量构造如下所示：A
″
t,i,j
＝max(0,A
′
...

【专利技术属性】
技术研发人员：蒋洪波，陈湘菊，肖竹，刘代波，曾凡仔，
申请(专利权)人：湖南大学，
类型：发明
国别省市：