基于联邦学习的多模态高速公路拥堵识别方法及系统技术方案

本发明专利技术涉及一种多模态高速公路拥堵识别方法及系统，该方法包括：A、本地客户端对收集的高速公路多模态数据进行预处理；B、基于多模态数据，本地客户端对各种模态数据构造训练模型；对于各个训练模型，本地客户端和可信的中央服务器利用联邦学习和同态加密技术进行协同迭代训练模型，训练完成后产生输出模型；C、对输出模型进行多模态数据的后端融合，即对不同模态数据分别训练好的分类器输出决策进行融合，得到模型输出的平均拥堵程度；D、基于平均拥堵程度，对模型的拥堵计算区间进行优化和更新，实现高速路网拥堵识别的算法参数的自适应修正。该方法及系统可以提高高速公路拥堵识别的速度和准确性，并保证数据共享的安全性。并保证数据共享的安全性。并保证数据共享的安全性。

【技术实现步骤摘要】
基于联邦学习的多模态高速公路拥堵识别方法及系统


[0001]本专利技术属于高速智能路网
，具体涉及一种基于联邦学习和深度学习的多模态高速公路拥堵识别方法及系统。

技术介绍

[0002]随着城市化和经济的快速发展，高速公路已成为人们生活和经济发展中不可或缺的一部分。然而，随着车辆数量的不断增加，高速公路拥堵问题也日益突出，导致交通效率低下、能源浪费严重以及环境污染等问题。因此，研究高速公路拥堵识别技术对于优化交通管理、提高交通效率具有重要意义。高速公路是重要的交通干线，车辆数量众多，交通拥堵问题越来越突出，如何及时准确地识别高速公路的拥堵情况，对于保障道路交通安全、提高道路运行效率具有重要意义。
[0003]目前高速公路拥堵识别的人工智能模型主要基于高速区域自持有的少量数据来训练，训练数据往往不足以得到一个高准确率的模型，又考虑到各方利益以及隐私数据保护等因素，每个高速数据持有实体还存在难以进行跨区域数据聚合的问题。传统的高速公路拥堵识别在前期构建模型时难以保证跨区域数据的安全共享，各种高速路网领域内的隐私数据无法得到安全性上的保障，隐私数据一旦泄露将对人们或区域造成影响。以上种种原因都说明了电力物联网领域数据利用的难度，因此有必要引入联邦迁移学习，从而在解决数据量问题的同时保护数据的安全共享。另外，现有的高速公路拥堵识别方法通常基于单一传感器数据或单一模态数据进行分析，难以满足复杂多变的实际交通状况，因此也需要一种基于多模态数据的高速公路拥堵识别技术。

技术实现思路

[0004]本专利技术的目的在于提供一种多模态高速公路拥堵识别方法及系统，该方法及系统可以提高高速公路拥堵识别的速度和准确性，并保证数据共享的安全性。
[0005]为实现上述目的，本专利技术采用的技术方案是：一种多模态高速公路拥堵识别方法，包括以下步骤：
[0006]步骤A、本地客户端C＝{C
i
,i＝1,2,
…
,n}对收集的高速公路多模态数据进行预处理，得到n个客户端预处理后的数据D＝{D
i
,i＝1,2,
…
,n}，其中C为所有独立持有数据的高速路网区域客户端的集合，D为所有客户端持有数据的集合；
[0007]步骤B、基于预处理后的多模态数据，本地客户端对每一种模态数据构造训练模型；对于每一个独立的训练模型，n个本地客户端和可信的中央服务器进行协同训练，利用联邦学习和同态加密技术迭代训练模型以实现高速路网隐私数据的安全共享，训练完成后产生输出模型，M＝{M
z
,z＝1,2,
…
,q}，其中M
z
为第z种模态数据训练出的模型；
[0008]步骤C、基于步骤B得到的输出模型，进行多模态数据的后端融合，即对不同模态数据分别训练好的分类器输出进行决策级融合，得到模型输出的平均拥堵程度J
i
；
[0009]步骤D、基于步骤C得到的平均拥堵程度J
i
，对模型的拥堵计算区间进行优化和更
新，实现高速路网拥堵识别的算法参数的自适应修正。
[0010]进一步地，所述步骤A具体包括以下步骤：
[0011]步骤A1、对本地客户端C
i
收集的包括图像、文本的多模态数据进行清洗、分类；对于文本数据，去除重复值、空值及异常值；完成预处理步骤后得到该本地客户端对应的数据D
i
；
[0012]步骤A2、基于步骤A1处理后的数据，对于每一个需要拥堵识别区域中的高速公路，对于划分出的决策区间[T
k
‑1,T
k
)，有为决策区间内高速公路摄像头拍摄的路况媒体切帧图像数据或路网门架文本数据，其中k为当前正在决策的时间点，i表示第i个客户端，l为数据的总数。
[0013]进一步地，所述步骤B具体包括以下步骤：
[0014]步骤B1、对于一种模态数据的训练，构建可信的本地客户端CServer；
[0015]步骤B2、对于该种模态数据，初始化对应的深度学习模型Model；
[0016]步骤B3、本地客户端在进行一轮训练后对中间数据进行加密；
[0017]步骤B4、中央服务器接收到来自本地客户端的加密数据后执行聚合和更新操作，然后将新的参数下发至本地客户端进行下一轮训练；
[0018]步骤B5、独立的本地客户端获取中央服务器下发的新一轮训练参数，使用私钥解密后得到真实数据；
[0019]步骤B6、中央服务器主导协同训练，持续迭代更新本地模型参数，直到达到终止条件后完成基于联邦学习的模型训练。
[0020]进一步地，当使用联邦学习得到模型与不使用联邦学习得到模型之间的准确率误差小于一个极小正数时，认为模型符合预期，可用于后续步骤，否则重新进行训练：
[0021]E＝|ACC
FL
‑
ACC
ALL
|＜ε
[0022]其中，ε为设定的极小正数，ACC
FL
和ACC
ALL
分别为使用联邦学习和不使用联邦学习得到模型的准确率，E为两种模型的准确率之差的绝对值；于是，对于持续迭代的优化目标，主要着眼于减少引入安全策略后对于准确率的损失，其目标函数为：
[0023]minE,(E＜ε)。
[0024]进一步地，步骤B1中，中央服务器初始化配置参数P，下发至本地客户端；
[0025]步骤B2中，本地客户端将配置参数P加入各自模型中完成本地模型的初始化操作；
[0026]步骤B3中，本地客户端对中间数据的加密方式为：
[0027][0028]其中t为训练的轮次，为第i个本地客户端加密后的参数，为第i个客户端在本轮的产生的中间数据，PK为生成的公钥，E(
·
)为加密函数；
[0029]步骤B4中，中央服务器执行的参数更新方式为：
[0030][0031]其中，为下一轮的参数，t为训练的轮次，p
i
为第i个客户端上的样本数，p
all
为本轮参与客户端上样本的总数，n为客户端总数；在若干轮训练中，每一轮选择1到n个客户端参与，中央服务器将收集来的数据用加权平均的方式进行聚合；
[0032]步骤B5中，本地客户端使用私钥解密后得到真实数据的方式为：
[0033][0034]其中，为解密后的从中央服务器得到的最新一轮下发参数，D(
·
)为解密函数，SK为私钥，本地客户端根据这一轮的得到的数据进行本地模型中参数的更新。
[0035]进一步地，步骤C中，基于步骤B中对多模态数据分别训练好的分类器M＝{M
z
,z＝1,2,
…
,q}，将步骤A中的区间数据输入每个模型，得到模型的输出结果：
[0036][0037]其中，getJ()为计算模型的预测值，为在决策时刻k模型M
z
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多模态高速公路拥堵识别方法，其特征在于，包括以下步骤：步骤A、本地客户端C＝{C
i
,i＝1,2,
…
,n}对收集的高速公路多模态数据进行预处理，得到n个客户端预处理后的数据D＝{D
i
,i＝1,2,
…
,n}，其中C为所有独立持有数据的高速路网区域客户端的集合，D为所有客户端持有数据的集合；步骤B、基于预处理后的多模态数据，本地客户端对每一种模态数据构造训练模型；对于每一个独立的训练模型，n个本地客户端和可信的中央服务器进行协同训练，利用联邦学习和同态加密技术迭代训练模型以实现高速路网隐私数据的安全共享，训练完成后产生输出模型，M＝{M
z
,z＝1,2,
…
,q}，其中M
z
为第z种模态数据训练出的模型；步骤C、基于步骤B得到的输出模型，进行多模态数据的后端融合，即对不同模态数据分别训练好的分类器输出进行决策级融合，得到模型输出的平均拥堵程度J
i
；步骤D、基于步骤C得到的平均拥堵程度J
i
，对模型的拥堵计算区间进行优化和更新，实现高速路网拥堵识别的算法参数的自适应修正。2.根据权利要求1所述的多模态高速公路拥堵识别方法，其特征在于，所述步骤A具体包括以下步骤：步骤A1、对本地客户端C
i
收集的包括图像、文本的多模态数据进行清洗、分类；对于文本数据，去除重复值、空值及异常值；完成预处理步骤后得到该本地客户端对应的数据D
i
；步骤A2、基于步骤A1处理后的数据，对于每一个需要拥堵识别区域中的高速公路，对于划分出的决策区间[T
k
‑1,T
k
)，有为决策区间内高速公路摄像头拍摄的路况媒体切帧图像数据或路网门架文本数据，其中k为当前正在决策的时间点，i表示第i个客户端，l为数据的总数。3.根据权利要求1所述的多模态高速公路拥堵识别方法，其特征在于，所述步骤B具体包括以下步骤：步骤B1、对于一种模态数据的训练，构建可信的本地客户端CServer；步骤B2、对于该种模态数据，初始化对应的深度学习模型Model；步骤B3、本地客户端在进行一轮训练后对中间数据进行加密；步骤B4、中央服务器接收到来自本地客户端的加密数据后执行聚合和更新操作，然后将新的参数下发至本地客户端进行下一轮训练；步骤B5、独立的本地客户端获取中央服务器下发的新一轮训练参数，使用私钥解密后得到真实数据；步骤B6、中央服务器主导协同训练，持续迭代更新本地模型参数，直到达到终止条件后完成基于联邦学习的模型训练。4.根据权利要求3所述的多模态高速公路拥堵识别方法，其特征在于，当使用联邦学习得到模型与不使用联邦学习得到模型之间的准确率误差小于一个极小正数时，认为模型符合预期，可用于后续步骤，否则重新进行训练：E＝|ACC
FL
‑
ACC
ALL
|＜ε其中，ε为设定的极小正数，ACC
FL
和ACC
ALL
分别为使用联邦学习和不使用联邦学习得到模型的准确率，E为两种模型的准确率之差的绝对值；于是，对于持续迭代的优化目标，主要着眼于减少引入安全策略后对于准确率的损失，其目标函数为：minE,(E＜ε)。
5.根据权利要求3所述的多模态高速公路拥堵识别方法，其特征在于，步骤B1中，中央服务器初始化配置参数P，下发至本地客户端；步骤B2中，本地客户端将配置参数P加入各自模型中完成本地模型的初始化操作；步骤B3中，本地客户端对中间数据的加密方式为：其中t为训练的轮次，Z
it
为第i个本地客户端加密后的参数，C
it
为第i个客户端在本轮的产生的中间数据，PK为生成的公钥，E(
·
)为加密函数；步骤B4中，中央服务器执行的参数更新方式为：其中，为下一轮的参数，t为训练的轮次，p
i
为第i个客户端上的样本数，...

【专利技术属性】
技术研发人员：姚凌云，邹莹，郭建平，郑昱，唐昌林，
申请(专利权)人：福建省高速公路联网运营有限公司，
类型：发明
国别省市：