数字交通标志横向联邦推荐方法技术

本发明专利技术公开一种数字交通标志横向联邦推荐方法

【技术实现步骤摘要】
数字交通标志横向联邦推荐方法、电子设备及存储介质


[0001]本专利技术涉及智能交通技术和道路交通安全
，特别是涉及一种数字交通标志横向联邦推荐方法
、
电子设备及存储介质
。

技术介绍

[0002]数字交通标志
1:1
还原道路交通标志，在
1:1
还原的地图上，每个实体道路交通标志的地理位置都有对应的数字交通标志，从而实现将实体的道路交通标志全部显示于数字交通标志的导航系统里
。
在智能交通
，针对数字化交通标志的推荐方法是缺失的，仅存在较少的标志牌位置选址推荐方法
、
景点推荐方法
、
出行服务管理方法
、
位置服务方法等，通过以下方法实现：
[0003](1)CN201810593593.5
一种耦合多源要素的数字标牌位置推荐方法
[0004]通过要素处理
、
区域划分
、
位置推荐
、
模型验证，自动地完成对数字标牌的位置推荐，实现数字标牌的准确选址
。
该专利技术方法综合考虑多源要素，推荐位置的参考依据强
、
时效性高
、
精准性高
、
数字标牌影响效果佳，能够满足众多广告主和媒体商的利益需求，实现一种高效科学的耦合多源要素的数字标牌位置推荐方法，可推广到具有数字标牌位置选址需求的多种应用领域
。
[0005](2)CN201510938942.9
基于知识与位置的个性化旅游景点推荐方法
[0006]解决单一基于知识推荐浪费通信带宽资源的不足
。
其实现步骤为：
1.
建立一个由用户
、
辅助定位设施
、
推荐计算系统构成的完整推荐系统；
2.
对此推荐计算系统进行初始化；
3.
用户在其当前位置向此推荐计算系统发送推荐请求；
4.
推荐计算系统位置处理模块响应来自用户的请求；
5.
推荐计算系统对备选景点执行查询支配算法；
6.
推荐计算系统最终输出推荐的旅游景点集合
。
通过利用数据库中的支配查询算法，全面比较备选景点的推荐价值，减少了用户与推荐系统之间的通信量，并结合用户的历史偏好，保证了满足个性化的推荐结果的有效性和可靠性，可应用于旅游景点或路线推荐领域
。
[0007](3)CN114742308A
一种面向隐私保护的联邦个性化出行服务管理方法及系统
[0008]提供一种面向隐私保护的联邦个性化出行服务管理方法及系统，系统包括基础数据层
、
业务响应层
、
实时数据层
、
辅助训练层以及用户交互层，能够完成出行者的出行任务，提供用户操作以及数据结果的可视化界面
。
能够基于联邦学习的方式，辅助系统训练出不同用户的出行模型，在保护用户隐私的前提下，为出行者提供个性化的出行方案
。
[0009](4)CN110825955A
基于位置服务的分布式差分隐私推荐方法
[0010]解决传统的推荐系统不能很好地适应基于位置的推荐服务，同时也面临隐私泄露的问题
。
利用分布式隐私保护推荐框架以及差分隐私保护理论，设计基于分布式框架的奇异值分解推荐算法，通过利用保序加密函数实现用户请求位置的保护，达到隐私保护的目的
、
实现较好的推荐性能
。
[0011]综上，如何在保护用户隐私的情况下为驾驶员推荐精准个性化的数字交通标志，从而提升驾驶安全和用户感知，成为本领域技术人员亟待解决的问题
。

技术实现思路

[0012]本专利技术的目的是提供一种数字交通标志横向联邦推荐方法
、
电子设备及存储介质，能够在保护用户隐私的情况下为驾驶员推荐精准个性化的数字交通标志，从而提升驾驶安全和用户感知
。
[0013]为实现上述目的，本专利技术提供了如下方案：
[0014]一种数字交通标志横向联邦推荐方法，所述方法包括：
[0015]步骤
S1
：获取横向联邦学习系统的客户
‑
服务器架构；所述横向联邦学习系统的客户
‑
服务器架构包括服务器和多个客户端；
[0016]步骤
S2
：在各所述客户端上均部署
Wide&Deep
模型；
[0017]步骤
S3
：利用所述客户端对应的本地训练数据集对所述客户端上的
Wide&Deep
模型进行训练，得到各所述客户端上第
h
次训练后的
Wide&Deep
模型的参数；
h
的初始值为1；所述客户端上第
h
次训练后的
Wide&Deep
模型的输入为所述本地训练数据集，输出为推荐优先级降序排列的数字交通标志特征数据；所述本地训练数据集包括数字交通标志特征数据
、
驾驶员社会特征数据
、
驾驶行为特征数据和车辆特征数据；
[0018]步骤
S4
：采用差分隐私的方法对各所述客户端上第
h
次训练后的
Wide&Deep
模型的参数进行加密，将加密后的各所述客户端上第
h
次训练后的
Wide&Deep
模型的参数采用
gRPC
和
ProtoBuf
的方法发送至所述服务器；
[0019]步骤
S5
：使用加权平均方法对所述服务器接收到的加密后的各所述客户端上第
h
次训练后的
Wide&Deep
模型的参数进行聚合，得到所述服务器上第
h
次聚合后的全局模型参数；
[0020]步骤
S6
：采用差分隐私的方法对所述服务器上第
h
次聚合后的全局模型参数进行加密，将加密后的所述服务器上第
h
次聚合后的全局模型参数采用
gRPC
和
ProtoBuf
的方法发送至各所述客户端；
[0021]步骤
S7
：判断
h
是否小于预设次数
H
；若是，则令
h
＝
h+1
，并利用加密后的所述服务器上第
h
次聚合后的全局模型参数更新各所述客户端上的
Wide&Deep
模型，返回步骤
S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种数字交通标志横向联邦推荐方法，其特征在于，所述方法包括：步骤
S1
：获取横向联邦学习系统的客户
‑
服务器架构；所述横向联邦学习系统的客户
‑
服务器架构包括服务器和多个客户端；步骤
S2
：在各所述客户端上均部署
Wide&Deep
模型；步骤
S3
：利用所述客户端对应的本地训练数据集对所述客户端上的
Wide&Deep
模型进行训练，得到各所述客户端上第
h
次训练后的
Wide&Deep
模型的参数；
h
的初始值为1；所述客户端上第
h
次训练后的
Wide&Deep
模型的输入为所述本地训练数据集，输出为推荐优先级降序排列的数字交通标志特征数据；所述本地训练数据集包括数字交通标志特征数据
、
驾驶员社会特征数据
、
驾驶行为特征数据和车辆特征数据；步骤
S4
：采用差分隐私的方法对各所述客户端上第
h
次训练后的
Wide&Deep
模型的参数进行加密，将加密后的各所述客户端上第
h
次训练后的
Wide&Deep
模型的参数采用
gRPC
和
ProtoBuf
的方法发送至所述服务器；步骤
S5
：使用加权平均方法对所述服务器接收到的加密后的各所述客户端上第
h
次训练后的
Wide&Deep
模型的参数进行聚合，得到所述服务器上第
h
次聚合后的全局模型参数；步骤
S6
：采用差分隐私的方法对所述服务器上第
h
次聚合后的全局模型的参数进行加密，将加密后的所述服务器上第
h
次聚合后的全局模型参数采用
gRPC
和
ProtoBuf
的方法发送至各所述客户端；步骤
S7
：判断
h
是否小于预设次数
H
；若是，则令
h
＝
h+1
，并利用加密后的所述服务器上第
h
次聚合后的全局模型参数更新各所述客户端上的
Wide&Deep
模型，返回步骤
S3
；若否，则利用加密后的所述服务器上第
h
次聚合后的全局模型参数更新各所述客户端上的
Wide&Deep
模型，得到各所述客户端上的最终推荐模型；步骤
S8
：将实时获取的道路交通标志特征数据
、
驾驶员社会特征数据
、
驾驶行为特征数据和车辆特征数据输入所述最终推荐模型中，得到推荐优先级降序排列的数字交通标志特征数据；步骤
S9
：根据推荐优先级降序排列的数字交通标志特征数据进行数字交通标志的推荐
。2.
根据权利要求1所述的数字交通标志横向联邦推荐方法，其特征在于，在各所述客户端上均部署
Wide&Deep
模型，具体包括：利用所述服务器将初始化的
Wide&Deep
模型及模型参数和超参数以明文的形式广播发送给各所述客户端；所述超参数包括学习率和迭代次数
。3.
根据权利要求1所述的数字交通标志横向联邦推荐方法，其特征在于，利用所述客户端对应的本地训练数据集对所述客户端上的
Wide&Deep
模型进行训练，得到各所述客户端上第
h
次训练后的...

【专利技术属性】
技术研发人员：章照中，
申请(专利权)人：南昌航空大学，
类型：发明
国别省市：