【技术实现步骤摘要】
跨城市联邦迁移模型的训练方法、装置、系统及设备
[0001]本专利技术实施例涉及智能城市
,尤其涉及一种跨城市联邦迁移模型的训练方法、装置、系统及设备。
技术介绍
[0002]大数据与城市发展相结合是未来城市的重要发展方向,城市画像任务是指基于城市发展过程中产生的指标数据(如人口数据、交通数据等),预测可用于描述城市运行状态的城市标签(如商业流行度指标、消费指数等),以指导城市的未来发展方向。
[0003]训练神经网络模型被作为预测城市标签的有效方法,但由于不同城市的发展水平和发展方向不同,有些城市可能会存在指标数据的数据量较少的情况,使其不具备训练神经网络模型的条件。为解决该问题,现有采用的跨城市迁移方法是在数据资源丰富的源城市训练得到跨城市联邦迁移模型,并将跨城市联邦迁移模型迁移到数据资源匮乏的目标城市中,以辅助目标城市完成城市画像任务。
[0004]在实现本专利技术的过程中,发现现有技术中至少存在以下技术问题:
[0005]在实际城市场景中,目标城市不仅会存在缺失城市标签的情况,还可能会存在缺失某种类型的指标数据的情况。因此,迁移到目标城市中的跨城市联邦迁移模型无法在同时缺失城市标签和缺失指标数据的情况下完成城市画像任务。
技术实现思路
[0006]本专利技术实施例提供了一种跨城市联邦迁移模型的训练方法、装置、系统及设备,以解决目标城市由于缺失指标数据导致无法完成城市画像任务的问题,扩宽了跨城市迁移方法的应用场景。
[0007]根据本专利技术一个实施例提供了
【技术保护点】
【技术特征摘要】
1.一种跨城市联邦迁移模型的训练方法,其特征在于,应用于源城市客户端,包括:响应于获取到训练指标数据集,基于初始跨城市联邦迁移模型和所述训练指标数据集中的训练指标数据,确定预测指标数据和预测城市标签;基于与所述预测指标数据对应的标准指标数据以及与所述预测城市标签对应的标准城市标签,对所述初始跨城市联邦迁移模型的模型参数进行调整,得到训练完成的目标跨城市联邦迁移模型;将所述目标跨城市联邦迁移模型的模型参数发送给目标城市客户端,以使所述目标城市客户端基于接收到的模型参数构建标准跨城市联邦迁移模型,并基于所述标准跨城市联邦迁移模型确定目标城市标签。2.根据权利要求1所述的方法,其特征在于,所述基于初始跨城市联邦迁移模型和所述训练指标数据集中的训练指标数据,确定预测指标数据和预测城市标签,包括:将所述训练指标数据集中的训练指标数据分别输入到初始跨城市联邦迁移模型中的初始数据生成模块和初始标签生成模块中;通过所述初始数据生成模块,基于输入的所述训练指标数据,输出预测指标数据;通过所述初始标签生成模块,基于输入的所述训练指标数据以及所述初始数据生成模块输出的所述预测指标数据,输出预测城市标签。3.根据权利要求2所述的方法,其特征在于,所述初始数据生成模块包括特征提取器、数据回归器和域分类器,相应的,所述基于输入的所述训练指标数据,输出预测指标数据,包括:将所述训练指标数据输入到所述特征提取器中,得到输出的训练指标特征;通过所述数据回归器,基于所述特征提取器输出的所述训练指标特征,输出预测指标数据,以及通过所述域分类器,基于所述特征提取器输出的所述训练指标特征,输出预测城市分类结果。4.根据权利要求3所述的方法,其特征在于,所述训练指标数据集中包含当前源城市客户端对应的训练指标数据,相应的,所述基于与所述预测指标数据对应的标准指标数据以及与所述预测城市标签对应的标准城市标签,对所述初始跨城市联邦迁移模型的模型参数进行调整,得到训练完成的目标跨城市联邦迁移模型,包括:针对所述初始跨城市联邦迁移模型的每次迭代过程,基于与所述预测指标数据对应的标准指标数据以及与所述预测城市标签对应的标准城市标签,确定目标损失函数;基于所述目标损失函数,确定当前迭代的初始跨城市联邦迁移模型对应的当前模型参数,并将所述当前模型参数发送给中央服务器,以使所述中央服务器基于接收到的至少两个源城市客户端分别发送的当前模型参数,确定聚合模型参数,并将所述聚合模型参数分别发送给各所述源城市客户端;其中,所述至少两个源城市客户端中包含所述当前源城市客户端;将接收到的所述中央服务器发送的聚合模型参数作为所述当前迭代的初始跨城市联邦迁移模型的模型参数,直到所述目标损失函数收敛时,将当前迭代的初始跨城市联邦迁移模型作为训练完成的目标跨城市联邦迁移模型。5.根据权利要求4所述的方法,其特征在于,所述将所述目标跨城市联邦迁移模型的模型参数发送给目标城市客户端,包括:
将所述目标跨城市联邦迁移模型的模型参数发送给所述中央服务器,以使所述中央服务器基于接收到的至少两个源城市客户端分别发送的目标跨城市联邦迁移模型的模型参数,确定目标模型参数,并将所述目标模型参数发送给目标城市客户端。6.根据权利要求3所述的方法,其特征在于,所述训练指标数据集中包含与至少两个源城市客户端分别对应的训练指标数据,相应的,所述基于与所述预测指标数据对应的标准指标数据以及与所述预测城市标签对应的标准城市标签,对所述初始跨城市联邦迁移模型的模型参数进行调整,得到训练完成的目标跨城市联邦迁移模型,包括:针对所述初始跨城市联邦迁移模型的每次迭代过程,基于与所述预测指标数据对应的标准指标数据以及与所述预测城市标签对应的标准城市标签,确定目标损失函数;基于所述目标损失函数,确定当前迭代的初始跨城市联邦迁移模型对应的当前模型参数,直到所述目标损失函数收敛时,将当前迭代的初始跨城市联邦迁移模型作为训练完成的目标跨城市联邦迁移模型。7.根据权利要求4或6所述的方法,其特征在于,所述目标损失函数包括与所述初始数据生成模块对应的第一目标损失函数以及与所述初始标签生成模块对应的第二目标损失函数,相应的,所述基于与所述预测指标数据对应的标准指标数据以及与所述预测城市标签对应的标准城市标签,确定目标损失函数,包括:基于所述预测指标数据和标准指标数据,构建第一损失函数,以及基于所述预测城市分类结果和标准城市分类结果,构建第二损失函数;基于所述第一损失函数和所述第二损失函数,确定与所述初始数据生成模块对应的第一目标损失函数;基于所述预测城市标签和标准城市标签,构建与初始标签生成模块对应的第二目标损失函数。8.根据权利要求7所述的方法,其特征在于,所述初始数据生成模块还包括梯度反转层,所述梯度反转层设置在所述特征提取器与所述域分类器之间,所述梯度反转层用于在所述初始数据生成模块的反向传播过程中,将输入到梯度反转层中的所述第二损失函数的函数梯度乘以预设负数,相应的,所述第一目标损失函数中所述第二损失函数的系数为所述预设负数。9.根据权利要求1所述的方法,其特征在于,所述训练指标数据包括兴趣点区域数据、道路网络数据和人口数据,其中,所述兴趣点区域数据包括与至少一个兴趣点类型分别对应的兴趣点数量、兴趣点总数量和兴趣点熵值中至少一种,所述道路网络数据包括与至少一种道路类型分别对应的道路数量,所述人口数据包括工作...
【专利技术属性】
技术研发人员:陈高德,张钧波,苏义军,郑宇,
申请(专利权)人:京东城市北京数字科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。