【技术实现步骤摘要】
本专利技术属于车辆速度预测，涉及一种用于城市场景中的车辆速度预测方法及系统。
技术介绍
1、车辆速度预测在现代智能交通系统中起着重要作用，是提高道路安全、交通效率和车辆能效的关键技术。它广泛应用于路径规划、混合动力电动汽车的能源管理以及生态自适应巡航控制等领域。然而，准确预测单个车辆的速度非常具有挑战性，因为车辆速度会受到交通状况、车辆类型、道路状况和驾驶员行为的影响。车辆速度预测的传统方法包括马尔可夫链、贝叶斯网络等。与传统的预测方法相比，利用车对车和车对基础设施通信的循环神经网络已被证明在车辆速度预测方面更有效。然而，以往的研究没有考虑到驾驶员驾驶风格和车辆类型的显著差异，这极大地影响了目标车辆的速度预测，因此无法实现个性化预测。对从多辆车收集的驾驶数据进行协作训练对于提高预测准确性至关重要，因为一辆车没有足够的数据来训练可靠的模型。然而，传统的分布式机器学习技术需要将所有车辆的私人驾驶数据集中在一个中央服务器(例如云服务器)上，这为私人数据泄露带来了潜在风险。
2、联邦学习作为一种协作分布式机器学习范式，其学习任务由一...
【技术保护点】
1.一种用于城市场景中的车辆速度预测方法，其特征在于：在该方法中，采用个性化联邦学习方法在服务器上实现个性化聚合步骤来捕获客户端特定的信息；利用获取的数据信息通过基于多头注意力的序列到序列长短期记忆网络模型对车辆速度进行个性化的预测。
2.根据权利要求1所述的一种用于城市场景中的车辆速度预测方法，其特征在于：所述个性化联邦学习方法包括以下步骤：
3.根据权利要求2所述的一种用于城市场景中的车辆速度预测方法，其特征在于：在步骤S1中，定义联邦学习的全局目标函数为：
4.根据权利要求3所述的一种用于城市场景中的车辆速度预测方法，其特征在...
【技术特征摘要】
1.一种用于城市场景中的车辆速度预测方法，其特征在于：在该方法中，采用个性化联邦学习方法在服务器上实现个性化聚合步骤来捕获客户端特定的信息；利用获取的数据信息通过基于多头注意力的序列到序列长短期记忆网络模型对车辆速度进行个性化的预测。
2.根据权利要求1所述的一种用于城市场景中的车辆速度预测方法，其特征在于：所述个性化联邦学习方法包括以下步骤：
3.根据权利要求2所述的一种用于城市场景中的车辆速度预测方法，其特征在于：在步骤s1中，定义联邦学习的全局目标函数为：
4.根据权利要求3所述的一种用于城市场景中的车辆速度预测方法，其特征在于：在步骤s2中，对于第t轮迭代训练，服务器随机选择n个客户端的子集st进行训练，并将上一次迭代得到的全局模型或者聚合模型发送给集合st中的客户端；
5.根据权利要求4所述的一种用于城市场景中的车辆速度预测方法，其特征在于：在步骤s3中，服务器对上传的本地模型执行全局聚合，得到全局模型，具体方式如下：
6.根据权利要求5所述的一种用于城市场景中的车辆速度预测方法，其特征在于：在步骤s5中，计算客户端子集st的所有本地模型和全...
【专利技术属性】
技术研发人员：周鹏展，何跃鹏，翟翊君，秦志达，李明妍，陈超，郭松涛，
申请(专利权)人：重庆大学，
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。