一种基于边缘计算的本地隐私保护出行匹配方法组成比例

本发明专利技术提供一种基于边缘计算的本地隐私保护出行匹配方法，包括：步骤一：出行调度平台训练得到时空表示模型并分发给用户的边缘设备；所述用户包括司机和乘客；步骤二：用户的边缘设备根据时空表示模型对用户的出行基本信息进行向量表示，并将得到的向量带入用户本地的自动编码器进行多轮训练得到出行特征向量，从多轮训练结果中随机选择一个出行特征向量发送给出行调度平台；步骤三：出行调度平台根据出行特征向量的相关性进行司机和乘客的匹配，并将匹配结果发送给乘客和司机的边缘设备；步骤四：司机和乘客的边缘设备根据匹配结果建立点对点通信，完成后续出行服务。本发明专利技术解决了既要保护用户隐私信息，又要保证出行服务质量的技术问题。务质量的技术问题。

【技术实现步骤摘要】
一种基于边缘计算的本地隐私保护出行匹配方法


[0001]本专利技术属于车辆调度服务
，具体涉及一种基于边缘计算的本地隐私保护的出行匹配方法。

技术介绍

[0002]互联网的发展产生了海量基于位置的增值服务，便利了人们的个性化智能出行。用户通过向网约车出行调度平台提交个人时空与用车个性化需求，获得符合其需求的车辆接载服务。这些需求数据中的位置信息常被用来支持出行用户和司机的匹配、出行需求预测、车辆调度、出行共乘组合等，例如“在当前时间位于特定地理位置”的时空耦合信息有助于高效搜寻到接单距离相近的网约车，提高出行服务效率。实际上，平台收集的用户信息不仅仅被用于即时车辆调度，其历史出行信息还会被用于需求预测、POI挖掘，甚至非法跟踪等严重暴露个体隐私行为，因此现有将原始出行需求上传平台的方式将会存在隐私暴露风险。因此，如何在保证出行服务效率与准确度的情况下，降低隐私泄漏的风险是一个急需解决的问题。
[0003]现有基于出行调度平台不可信的前提下进行隐私保护的方法有加密、本地化差分隐私以及直接在本地处理数据等。Anh Pham、Luo、Yu等人采取对用户出行位置数据进行加密处理，隐私保护程度较高但是加密后的数据不适用于计算路网距离，从而影响了车辆匹配的质量。并且也要考虑加密算法需要的计算资源对于出行服务的影响，比如加密时间开销导致的服务延迟问题。Andr
é
s、Wang、刘振鹏等人使用本地差分隐私技术对位置数据进行扰动，较好的保护了单次位置信息，但是没有考虑用户运动过程连续位置点之间关联性，同时差分隐私的保护强度和数据可用性之间的平衡是一个需要考虑的问题。

技术实现思路

[0004]本专利技术的目的是提供一种基于边缘计算的本地隐私保护出行匹配方法，解决了既要保护用户隐私信息，又要保证出行服务质量的技术问题。
[0005]本专利技术通过以下技术方案实现：
[0006]一种基于边缘计算的本地隐私保护出行匹配方法，包括以下步骤：
[0007]步骤一：出行调度平台训练得到时空表示模型并将时空表示模型分发给用户的边缘设备；所述用户包括司机和乘客；
[0008]步骤二：用户的边缘设备根据时空表示模型对用户的出行基本信息进行向量表示，并将得到的向量带入用户本地的自动编码器进行多轮训练得到出行特征向量，从多轮训练结果中随机选择一个出行特征向量发送给出行调度平台；
[0009]步骤三：出行调度平台根据出行特征向量的相关性进行司机和乘客的匹配，并将匹配结果发送给乘客和司机的边缘设备；
[0010]步骤四：司机和乘客的边缘设备根据匹配结果建立点对点通信，以完成后续出行服务。
[0011]优选的，步骤一中，出行调度平台训练时空表示模型具体是：出行调度平台根据时间表示模型DeepWalk对时间网络的节点进行嵌入表示，根据位置表示模型Node2Vec对道路网络中的节点进行嵌入表示，得到时空表示模型。
[0012]进一步的，步骤二中，用户的边缘设备根据时空表示模型对用户的出行基本信息进行向量表示，具体过程为：
[0013]使用时间表示模型DeepWalk，得到时间表示向量集合Vec
T
；
[0014]使用位置表示模型Node2Vec，得到位置表示向量集合Vec
L
；
[0015]从Vec
T
查询得到用户出行基本信息Tr＝{t,l}的时间表示向量Vec
t
，从Vec
L
中查询得到用户出行基本信息Tr＝{t,l}的位置表示向量Vec
l
；其中，Tr＝{t,l}，表示用户在t时刻的地理位置为l；
[0016]通过时间表示向量Vec
t
和位置表示向量Vec
l
的拼接，得到Tr出行向量Vec
Tr
＝(Vec
t
,Vec
l
)。
[0017]进一步的，时间表示模型DeepWalk由随机游走生成器和Skip
‑
gram模型两部分组成；随机游走生成器从指定访问时间节点开始从其邻居中随机采样节点作为下一个访问时间节点，重复此过程，生成固定长度的时间节点序列；Skip
‑
gram模型通过最大化时间节点序列中出现在窗口长度w内的节点之间的共现概率，学习每个时间节点的特征表示，从而得到时间表示向量集合Vec
T
；
[0018][0019]其中，为第n个中心时间节点的向量表示，分别为第n和第m个时间节点。
[0020]进一步的，步骤二中，将得到的向量带入用户本地的自动编码器进行训练得到出行特征向量，从多轮训练结果中随机选择一个出行特征向量发送给出行调度平台，具体过程为：
[0021]将Tr出行向量Vec
Tr
带入自动编码器进行K轮训练，其中，自动编码器的损失函数为余弦相似度函数：
[0022][0023]其中，loss范围从
‑
1到1，损失函数的值越接近
‑
1损失越小；
[0024]解码得到K组特征向量集合Vec
Tr
_k，从特征向量集合Vec
Tr
_k中随机选择一组作为用户的出行特征向量Vec
Tr
'上传给出行调度平台。
[0025]优选的，步骤三中，出行调度平台根据出行特征向量的相关性进行司机和乘客的匹配具体是：出行调度平台以出行特征向量的余弦相似度值为权重，使用KM算法进行司机和乘客的匹配。
[0026]进一步的，出行调度平台以出行特征向量的余弦相似度值为权重，使用KM算法进行司机和乘客的匹配，具有过程为：
[0027]计算乘客和司机的出行特征向量的余弦相似度，根据乘客和司机的出行特征向量的余弦相似度形成司乘二部图，通过KM算法搜索司乘二部图的余弦相似度之和最大时的乘
客
‑
司机匹配对，得到匹配结果。
[0028]进一步的，乘客和司机的集合分别表示为R＝{r1,r2,...,r
n
}，D＝{d1,d2,...,d
n
}，其中r
i
、d
j
分别表示第i个乘客和第j个司机，i＝1,2,3,
…
,n，j＝1,2,3,
…
,n；设司机r
i
和乘客d
j
的出行特征向量分别为和则和的余弦相似度cosθ
ij
由如下公式得到：
[0029][0030]优选的，步骤四中，点对点通信中乘客的边缘设备将乘客出行的真实信息发送给司机的边缘设备。
[0031]与现有技术相比，本专利技术具有如下的有益效果：
[0032]本专利技术通过在云平台部署好时空表示模型后分发至用户边缘设备，使用户可以在本地使用时空模型编码其个人出行信息并基于自动编码器训练抽取出行特征向量，降低了隐本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘计算的本地隐私保护出行匹配方法，其特征在于，包括以下步骤：步骤一：出行调度平台训练得到时空表示模型并将时空表示模型分发给用户的边缘设备；所述用户包括司机和乘客；步骤二：用户的边缘设备根据时空表示模型对用户的出行基本信息进行向量表示，并将得到的向量带入用户本地的自动编码器进行多轮训练得到出行特征向量，从多轮训练结果中随机选择一个出行特征向量发送给出行调度平台；步骤三：出行调度平台根据出行特征向量的相关性进行司机和乘客的匹配，并将匹配结果发送给乘客和司机的边缘设备；步骤四：司机和乘客的边缘设备根据匹配结果建立点对点通信，以完成后续出行服务。2.根据权利要求1所述的基于边缘计算的本地隐私保护出行匹配方法，其特征在于，步骤一中，出行调度平台训练时空表示模型具体是：出行调度平台根据时间表示模型DeepWalk对时间网络的节点进行嵌入表示，根据位置表示模型Node2Vec对道路网络中的节点进行嵌入表示，得到时空表示模型。3.根据权利要求2所述的基于边缘计算的本地隐私保护出行匹配方法，其特征在于，步骤二中，用户的边缘设备根据时空表示模型对用户的出行基本信息进行向量表示，具体过程为：使用时间表示模型DeepWalk，得到时间表示向量集合Vec
T
；使用位置表示模型Node2Vec，得到位置表示向量集合Vec
L
；从Vec
T
查询得到用户出行基本信息Tr＝{t,l}的时间表示向量Vec
t
，从Vec
L
中查询得到用户出行基本信息Tr＝{t,l}的位置表示向量Vec
l
；其中，Tr＝{t,l}，表示用户在t时刻的地理位置为l；通过时间表示向量Vec
t
和位置表示向量Vec
l
的拼接，得到Tr出行向量Vec
Tr
＝(Vec
t
,Vec
l
)。4.根据权利要求3所述的基于边缘计算的本地隐私保护出行匹配方法，其特征在于，时间表示模型DeepWalk由随机游走生成器和Skip
‑
gram模型两部分组成；随机游走生成器从指定访问时间节点开始从其邻居中随机采样节点作为下一个访问时间节点，重复此过程，生成固定长度的时间节点序列；Skip
‑
gram模型通过最大化时间节点序列中出现在窗口长度w内的节点之间的共现概率，学习每个时间节点的特征表示，从而...

【专利技术属性】
技术研发人员：曹正鑫，唐蕾，周欣，张俊哲，马骏驰，
申请(专利权)人：长安大学，
类型：发明
国别省市：