应用于预测路况的联邦学习模型训练方法、路况预测方法技术

本申请提供一种应用于预测路况的联邦学习模型训练方法、路况预测方法，涉及分布式模型训练技术，该方法包括：将预设的初始全局模型发送给N个车辆终端中的每一车辆终端。接收每一车辆终端发送的本地模型参数；N个车辆终端中的M个车辆终端中的每一车辆终端所发送的本地模型参数包括安全模型参数和事故模型参数；N个车辆终端中的N

【技术实现步骤摘要】
应用于预测路况的联邦学习模型训练方法、路况预测方法


[0001]本申请涉及分布式模型训练技术，尤其涉及一种应用于预测路况的联邦 学习模型训练方法、路况预测方法。

技术介绍

[0002]目前，在关于自动驾驶的联邦学习方案中，需要根据车辆终端的目标 行驶模型实现自动驾驶，其中，目标行驶模型是根据车辆终端的行驶数据 得到的。
[0003]现有技术中，训练并获取车辆的目标行驶模型时，通常是获取车辆终 端在本地训练的本地模型参数，然后对本地模型参数进行聚合处理，得到 目标行驶模型，进而将目标行驶模型更新到每一车辆终端中。
[0004]然而现有技术中，由于对本地模型参数进行聚合处理，得到目标行驶 模型时，参与聚合处理的本地模型参数包括根据时间久远的行驶数据得到 的参数，导致目标行驶模型的更新非常滞后于车辆终端的行驶数据变化， 进而导致目标行驶模型预测车辆前方路况的准确度较低。

技术实现思路

[0005]本申请提供一种应用于预测路况的联邦学习模型训练方法、路况预测方 法，用以解决因模型的更新滞后于车辆的行驶数据导致模型预测前方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于预测路况的联邦学习模型训练方法，其特征在于，所述方法应用于服务器，所述方法包括：将预设的初始全局模型发送给N个车辆终端中的每一车辆终端；其中，所述预设的初始全局模型用于确定所述车辆终端的局部模型，N为大于1的正整数；接收所述每一车辆终端发送的本地模型参数；其中，所述N个车辆终端中的M个车辆终端中的每一车辆终端所发送的本地模型参数中包括安全模型参数和事故模型参数；所述N个车辆终端中的N
‑
M个车辆终端中的每一车辆终端发送的本地模型参数中包括安全模型参数；M为大于等于1、小于等于N的正整数；所述安全模型参数为车辆终端基于所获取到的与该车辆终端对应的车辆行驶数据，对该车辆终端中的局部模型进行训练所得到的；所述事故模型参数为车辆终端基于所获取到的与该车辆终端对应的车辆事故数据，对该车辆终端中的局部模型进行训练所得到的；根据所述N个车辆终端中各车辆终端发送的本地模型参数，更新所述预设的初始全局模型，得到目标行驶模型；并将所述目标行驶模型发送至所述N个车辆终端中的每一车辆终端，其中，所述目标行驶模型用于预测车辆终端的前方路况。2.根据权利要求1所述的方法，其特征在于，根据所述N个车辆终端中各车辆终端发送的本地模型参数，更新所述预设的初始全局模型，得到目标行驶模型，包括：对所述M个车辆终端所反馈的M个事故模型参数进行整合处理，得到整合后的事故模型参数；其中，所述整合后的事故模型参数表征所述M个车辆终端各自的车辆事故数据对局部模型训练后的模型参数；根据所述N个车辆终端中各车辆终端发送的安全模型参数、以及所述整合后的事故模型参数，更新所述预设的初始全局模型，得到目标行驶模型。3.根据权利要求2所述的方法，其特征在于，根据所述N个车辆终端中各车辆终端发送的安全模型参数、以及所述整合后的事故模型参数，更新所述预设的初始全局模型，得到目标行驶模型，包括：根据第一预设对应关系，确定与安全模型参数对应的权重值、以及与整合后的事故模型参数对应的权重值；其中，所述第一预设对应关系为模型参数与权重值之间的对应关系；根据与安全模型参数对应的权重值、以及与整合后的事故模型参数对应的权重值，对安全模型参数和所述整合后的事故模型参数进行聚合处理，得到聚合模型；根据所述聚合模型更新所述预设的初始全局模型，得到目标行驶模型。4.根据权利要求2所述的方法，其特征在于，对所述M个车辆终端所反馈的M个事故模型参数进行整合处理，得到整合后的事故模型参数，包括：对所述M个车辆终端所反馈的M个事故模型参数进行求和处理，得到参数总和；对所述参数总和、以及M个事故模型参数进行整合处理，得到整合后的事故模型参数；其中，所述整合处理为将所述参数总和除以M。5.根据权利要求2所述的方法，其特征在于，所述事故模型参数包括事故标签，所述事故标签用于指示事故类型；对所述M个车辆终端所反馈的M个事故模型参数进行整合处理，得到整合后的事故模型参数，包括：根据预设的目标事故类型，在所述M个车辆终端所反馈的M个事故模型参数中确定与所述目标事故类型对应的事故模型参数；
对与所述目标事故类型对应的事故模型参数进行整合处理，得到整合后的事故模型参数。6.根据权利要求2所述的方法，其特征在于，所述事故模型参数包括事故标签，所述事故标签用于指示事故类型；对所述M个车辆终端所反馈的M个事故模型参数进行整合处理，得到整合后的事故模型参数，包括：根据第二预设对应关系，确定与每一事故标签对应的权重值；其中，所述第二预设对应关系为事故标签与权重值之间的对应关系；根据所述M个车辆终端所反馈的M个事故模型参数分别包括的事故标签、以及与每一事故标签对应的权重值，对所述M个车辆终端所反馈的M个事故模型参数进行整合处理，得到整合后的事故模型参数。7.根据权利要求1
‑
6任一项所述的方法，其特征在于，得到所述目标行驶模型时达到了预设条件；其中，所述预设条件为达到预设重复执行次数、或者更新后预设的初始全局模型达到收敛状态。8.根据权利要求1
‑
6任一项所述的方法，其特征在于，所述车辆行驶数据包括以下的一种或多种：刹车数据、油门数据、转向底盘数据；所述车辆事故数据包括以下的一种或多种：车辆终端的气囊弹出数据、车辆终端的传感器获取的碰撞数据、车辆终端在发生事故前的预设时间段内的车辆行驶数据、车辆终端的事故模型参数。9.一种应用于预测路况的联邦学习模型训练方法，其特征在于，所述方法应用于车辆终端，所述方法包括：接收服务器发送的预设的初始全局模型，并根据所述预设的初始全局模型确定局部模型，其中，N为大于1的正整数；基于所获取到的与所述车辆终端对应的车辆行驶数据，对所述车辆终端中的所述局部模型进行训练并得到安全模型参数；基于所获取到的与该车辆终端对应的车辆事故数据，对该车辆终端中的所述局部模型进行训练并得到事故模型参数；将所述安全模型参数以及所述事故模型参数发送至服务器；其中，N个车辆终端中的M个车辆终端中的每一车辆终端所发送的本地模型参数中包括安全模型参数和事故模型参数；所述N个车辆终端中的N
‑
M个车辆终端中的每一车辆终端发送的本地模型参数中包括安全模型参数；M为大于等于1、小于等于N的正整数；所述N个车辆终端中各车辆终端发送的本地模型参数，用于更新所述预设的初始全局模型之后得到目标行驶模型；接收服务器发送的所述目标行驶模型；其中，所述目标行驶模型用于预测车辆终端的前方路况。10.根据权利要求9所述的方法，其特征在于，所述事故模型参数中包括事故标签，所述事故标签用于指示事故类型；所述事故标签用于确定整合后的事故模型参数；所述整合后的事故模型参数是根据与所述目标事故类型对应的事故模型参数得到的，与所述目标事故类型对应的事故模型参数是根据预设的目标事故类型，在所述M个车辆终端所反馈的M个事故模型参数中得到的；或者，所述整合后的事故模型参数是根据所述M个车辆终端所反馈的M个事故模型参数
分别包括的事故标签、以及与每一事故标签对应的权重值，对所述M个车辆终端所反馈的M个事故模型参数进行整合处理得到的，与每一事故标签对应的权重值是根据第二预设对应关系得到的，其中，所述第二预设对应关系为事故标签与权重值之间的对应关系。11.根据权利要求9或10所述的方法，其特征在于，所述车辆行驶数据包括以下的一种或多种：刹车数据、油门数据、转向底盘数据；所述车辆事故数据包括以下的一种或多种：车辆终端的气囊弹出数据、车辆终端的传感器获取的碰撞数据、车辆终端在发生事故前的预设时间段内的车辆行驶数据、车辆终端的事故模型参数。12.一种基于联邦学习模型的路况预测方法，其特征在于，所述方法应用于车辆终端，所述方法包括：获取车辆的实际行驶数据，并将所述实际行驶数据输入至目标行驶模型中，得到前方路况；其中，所述目标行驶模型为如权利要求1
‑
11任一项所述的目标行驶模型。13.一种应用于预测路况的联邦学习模型训练装置，其特征在于，所述装置应用于服务器，所述装置包括：获取单元，用于将预设的初始全局模型发送给N个车辆终端中的每一车辆终端；其中，所述预设的初始全局模型用于确定所述车辆终端的局部模型，N为大于1的正整数；接收单元，用于接收所述每一车辆终端发送的本地模...

【专利技术属性】
技术研发人员：郭敬达，
申请(专利权)人：国汽智控北京科技有限公司，
类型：发明
国别省市：