【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)CN201 ...
【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...
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。