【技术实现步骤摘要】
本专利技术涉及车联网与联邦学习，具体涉及一种基于有效性的半异步联邦学习的车辆轨迹预测方法。
技术介绍
1、车辆轨迹预测是车联网技术应用的基石。在车联网系统中，移动车辆使用定位系统获取自身位置，使用激光传感器等扫描周边环境信息；特别是，车辆轨迹数据可以通过路侧单元收集，借助深度学习和大数据，可以进行实时轨迹预测。
2、对于车辆轨迹预测，早期的研究主要集中在应用传统的机器学习模进行轨迹预测，然而这些传统方法通常需要大量人工标注的特征。随着近年来深度学习的突破性进展，无需人工设计特征的数据驱动深度模型备受关。不过，其在真实交通场景中仍备受挑战。首先，由于交通状况随时间而变化，尤其是在繁忙的交通场景下，深度学习模型必须持续且有效更新。此外，由于车辆轨迹数据通常分散在不同的车辆与道路设备中，所以传统集中学习框架会增加巨额的通信负担；且各参与方为保护隐私常常不愿向其他方共享数据。这使得不同车辆与道路设备中的数据成为一个个数据孤岛。在此背景下，如何进行有效且安全的模型更新与数据共享成为一个重要的挑战。
3、联邦学习本质上是一种在分布式场景下具有前景的隐私保护边缘智能框架。它允许模型在本地进行训练并更新，且允许各方在不披露底层数据和其加密形态的前提下对分布式数据进行分析和建模。与传统集中学习相比，联邦学习通过将训练工作分配给客户端，解决了隐私问题，降低了数据传输成本。在车联网中，联邦学习可以通过车辆与车辆、车辆与道路设备以及车辆与网络之间的通信来实现数据的共享和协作，从而解决各参与方的隐私问题，提高各参与方数据的利用效率
4、然而，传统的联邦学习具有同步的性质。它需要中央服务器在聚合前收集足够的局部模型，由于不同车辆节点的芯片计算性能和数据集大小的差异，这是低效的。具体来说，计算能力强的车辆节点需要等待滞后节点训练完成后才能聚合；如果某个节点的计算资源有限，其所产生的低精度的局部模型可能会引入噪声和误导性信息。车辆之间的通信可能会受到网络延迟和不稳定性的影响，导致同步联邦学习的数据通信延迟较大。故而同步联邦学习具有相对较高的时间成本。
5、因此，异步联邦学习被提出，其通过中央服务器在接收到局部模型时立即执行聚合来减少延迟。中央服务器不需要等待所有车辆节点上传模型，每轮聚合的车辆节点集灵活。异步联邦学习也分摊了瞬时高计算负载与瞬时高通信开销带来的压力。但由于异步联邦学习局部模型的训练频率较高，全局模型可能存在较高的更新延迟，从而使得全局模型可能过时。这会导致训练的局部模型在进行参数更新时可能参考过时的全局模型，从而降低了模型的准确性。
6、有鉴于此，有必要提出一种基于有效性的半异步联邦学习的车辆轨迹预测方法，以解决上述问题。
技术实现思路
1、本专利技术的目的在于提供一种基于有效性的半异步联邦学习的车辆轨迹预测方法。
2、为实现上述目的，本专利技术采用以下技术方案，包括以下步骤：
3、步骤1，路侧单元ri内的车辆节点的动态自组织，所述路侧单元ri包括车辆节点集合vi；
4、步骤2，所述路侧单元ri与所述车辆节点集合vi收集数据，所述路侧单元ri聚合更新所述数据，得到数据集dsi，所述路侧单元ri向所述车辆节点集合vi分发全局模型m0；
5、步骤3，所述车辆节点集合vi基于所述数据集dsi和泛化因子，结合有向无环图，利用组播机制与点对点机制，进行基于泛化研究的异步合作联邦学习算法，对所述全局模型m0进行更新，使所述路侧单元ri获得模型mi；
6、步骤4，所述路侧单元ri引入动态比例因子，动态更新模型权重，将所述权重与所述模型mi上传到中央服务器；
7、步骤5，基于所述模型权重，所述中央服务器将模型参数进行聚合得到所述最终全局模型m0再下发给各个所述路侧单元ri，开始新一轮的迭代训练，直至得到性能良好的所述全局模型m0。
8、作为本专利技术的进一步改进，所述步骤3中的所述异步合作联邦学习算法的步骤包括：
9、步骤31，所述路侧单元ri按车辆位置向所述车辆节点集合vi分发所述全局模型m0与数据集dsi；
10、步骤32，所述车辆节点集合vi进行组播通信和emin轮训练以收敛所述全局模型m0；
11、步骤33，所述车辆节点集合vi中速度最快的第一车辆节点创建一个组播组，向组内成员组播最新模型信息；速度次之的第二车辆节点根据自己收到的最新模型信息，请求从所述第一车辆节点下载其最新模型，所述第一车辆节点和所述第二车辆节点建立点对点网络，立即传送模型，并根据基于泛化研究的模型聚合算法，完成自身最新模型与其它车辆节点最新模型的聚合，得到新的局部模型，同时向组内成员广播更新的最新模型信息，并使用所述最新模型进行新一轮的训练，直到所有车辆节点均完成指定轮数emax，最终模型上传至所述路侧单元ri进行全局模型m0的聚合。
12、作为本专利技术的进一步改进，当自身车辆节点完成模型训练并下载到来自其它车辆节点的最新模型后，所述异步合作联邦学习算法利用所述自身车辆节点的测试数据集分别计算所述自身车辆的最新模型和所述其他车辆的最新模型的平均位移根误差，即距离误差，在所述路侧单元ri中，车辆节点为vij，所述距离误差的公式为：
13、
14、其中，b为vij数据集dsij的批次数，t’为预测的最终时间，t为当前时间，基于当前时间预测未来k秒数据样本的车辆位置以计算得到车辆位移；(xt，yt)与是在第b批次中关于时间t的真实坐标与基于模型参数wij的估计相对坐标。
15、作为本专利技术的进一步改进，当前车辆节点vij的模型距离误差表示为dij(wij)，其它车辆节点vik的最新模型距离误差表示为dij(wik)，若dij(wij)<dij(wik)，自身车辆节点模型mij在所述数据集dsij的表现优于其它车辆节点模型mik；若dij(wij)≥dij(wik)，所述自身车辆节点模型mij在自身数据集dsij的表现弱于所述其它车辆节点模型mik。
16、作为本专利技术的进一步改进，所述其它车辆节点vik的最新模型距离误差与所述当前车辆节点vij的模型距离误差的差值dij(wik)-dik(wik)表示所述当前车辆节点模型mij的泛化性能，泛化因子ε的公式如下：
17、
18、若dij(wik)-dij(wij)>ε，所述模型mij与所述模型mik所述进行聚合，聚合公式如下：
19、
20、其中，wij与wik分别代表vij与vik的模型参数；
21、若dij(wik)-dij(wij)≤ε，所述模型mij作为所述最新模型向所述其它车辆节点共享；或继续训练所述模型mij使其收敛。
22、作为本专利技术的进一步改进，所述泛化因子ε随所述当前车辆节点vij的模型距离误差dij(wij)的变化而变化，在[0，+∞)先急剧下降，后指数增长，当dij(wij)接近本文档来自技高网...
【技术保护点】
1.一种基于有效性的半异步联邦学习的车辆轨迹预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于有效性的半异步联邦学习的车辆轨迹预测方法，其特征在于：所述步骤3中的所述异步合作联邦学习算法的步骤包括：
3.根据权利要求2所述的一种基于有效性的半异步联邦学习的车辆轨迹预测方法，其特征在于：当自身车辆节点完成模型训练并下载到来自其它车辆节点的最新模型后，所述异步合作联邦学习算法利用所述自身车辆节点的测试数据集分别计算所述自身车辆的最新模型和所述其他车辆的最新模型的平均位移根误差，即距离误差，在所述路侧单元Ri中，车辆节点为vij，所述距离误差的公式为：
4.根据权利要求3所述的一种基于有效性的半异步联邦学习的车辆轨迹预测方法，其特征在于：当前车辆节点vij的模型距离误差表示为dij(wij)，其它车辆节点vik的最新模型距离误差表示为dij(wik)，若dij(wij)<dij(wik)，自身车辆节点模型mij在所述数据集dsij的表现优于其它车辆节点模型mik；若dij(wij)≥dij(wik)，所述自身车辆节点模型mi
5.根据权利要求4所述的一种基于有效性的半异步联邦学习的车辆轨迹预测方法，其特征在于：所述其它车辆节点vik的最新模型距离误差与所述当前车辆节点vij的模型距离误差的差值dij(wik)-dij(wij)表示所述当前车辆节点模型mij的泛化性能，泛化因子ε的公式如下：
6.根据权利要求5所述的一种基于有效性的半异步联邦学习的车辆轨迹预测方法，其特征在于：所述泛化因子ε随所述当前车辆节点vij的模型距离误差dij(wij)的变化而变化，在[0，+∞)先急剧下降，后指数增长，当dij(wij)接近于0时，数值ε应当增大；当dij(wij)较大且超出可接受范围时，dij(wik)-dij(wij)也应当增大。
7.根据权利要求6所述的一种基于有效性的半异步联邦学习的车辆轨迹预测方法，其特征在于：所述泛化因子ε中，α＝2，β＝0.1。
8.根据权利要求1所述的一种基于有效性的半异步联邦学习的车辆轨迹预测方法，其特征在于：在第n轮通信中，所述路侧单元Ri包括所述中央服务器在第n-1轮聚合得到的全局模型和自身在第n轮通信的模型即所述车辆节点集合Vi上传到所述路侧单元Ri的最终模型，所述路侧单元Ri使用所述全局模型和所述模型对第n轮通信收集的数据集分别进行测试，分别得到距离误差和动态比例因子γi为：
...【技术特征摘要】
1.一种基于有效性的半异步联邦学习的车辆轨迹预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于有效性的半异步联邦学习的车辆轨迹预测方法，其特征在于：所述步骤3中的所述异步合作联邦学习算法的步骤包括：
3.根据权利要求2所述的一种基于有效性的半异步联邦学习的车辆轨迹预测方法，其特征在于：当自身车辆节点完成模型训练并下载到来自其它车辆节点的最新模型后，所述异步合作联邦学习算法利用所述自身车辆节点的测试数据集分别计算所述自身车辆的最新模型和所述其他车辆的最新模型的平均位移根误差，即距离误差，在所述路侧单元ri中，车辆节点为vij，所述距离误差的公式为：
4.根据权利要求3所述的一种基于有效性的半异步联邦学习的车辆轨迹预测方法，其特征在于：当前车辆节点vij的模型距离误差表示为dij(wij)，其它车辆节点vik的最新模型距离误差表示为dij(wik)，若dij(wij)<dij(wik)，自身车辆节点模型mij在所述数据集dsij的表现优于其它车辆节点模型mik；若dij(wij)≥dij(wik)，所述自身车辆节点模型mij在自身数据集dsij的表现弱于所述其它车辆节点模型mik。
5.根据权利要求4所述的一种基于有效...
【专利技术属性】
技术研发人员：黄耿俊，姚美琪，李洋，徐小龙，
申请(专利权)人：南京邮电大学，
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。