文章总结 联邦学习 X 交通

Short-Term Traffic Flow Prediction Based on Graph Convolutional Networks and Federated Learning

2023(TITS)

本研讨提出了一种短期交通流猜测模型，该模型将根据社区检测的联合学习与图卷积网络（GCN）相结合，以缓解大局GCN在数据量增加时的耗时练习、较高的通讯本钱和数据隐私风险。联合社区GCN（FCGCN）能够在交通大数据时代完成及时、精确、安全的交通状况猜测，这对于智能交通体系的高效运行至关重要。FCGCN的猜测进程有四个进程：用社区检测区分本地子网络、根据大局参数的本地练习、上传本地模型参数、根据聚合参数构建大局模型猜测。在PeMS04和PeMS08数据集上的数值成果显示，FCGCN优于四个基准模型，即长短期记忆（LSTM）、卷积神经网络（CNN）、ChebNet和图留意网络（GAT）模型。FCGCN的猜测更接近实在值，以较低的时刻本钱获得与大局模型几乎相同的功能，然后完成了对流量、速度和占用率三个参数的精确和安全的短期交通流猜测。

本文贡献

1. 咱们提出了一个联合社区GCN（FCGCN）模型，用于短期交通流猜测。该模型将FL集成到GCN中，以平衡精确性和时刻本钱，一起恪守隐私维护约束。路途网络的空间拓扑信息被GCN捕获，经过归入节点之间的关系信息，猜测功率得到提高。水平部分路网FL取代了大局图卷积路网模型，降低了核算和通讯本钱，一起避免数据隐私露出。
2. 社区检测的概念被归入FL从大局网络到部分网络的过渡中,这不只避免了主观性，并且提供了更好的联合练习功能。具体来说，本研讨运用了Louvain算法，该算法在试验中把大局路途网络区分为几个部分子网。
3. 用两个实在世界的交通数据集对该模型进行了点评，成果表明FCGCN能够在恪守隐私维护约束的状况下以低核算本钱猜测交通流量。

综上所述，能够看出，在交通大数据时代，人们对短期交通流量猜测的精确性和安全性有了更高的要求。跟着近年来DL的发展，各种平衡精确性和安全性的方案也被开发出来。在这项研讨中，咱们提出了一种将GCN与FL相结合的短期交通流量猜测办法。GCN适合于捕捉交通数据的拓扑结构，而FL则经过部分练习降低了时刻本钱，提高了精确性，一起最大极限地降低了数据隐私风险。

在本文中，运用前史交通流量信息来猜测未来的交通流量是至关重要的。咱们定义路网和特征矩阵来描述交通流猜测问题。

联邦社区GCN的架构

1. 概述： 大局GCN模型在短期交通流猜测中面临两个主要问题。一方面，与传统模型相比，GCN对很多数据的练习时刻较长，并且图的核算复杂度随节点数的增加而呈非线性改变。另一方面，最新的监测数据与大局模型的不断同步具有较高的通讯本钱，在此进程中可能会呈现数据包丢失等意外状况。因为不同的路途具有相似的交通形式，但分布在不同的物理位置，因而咱们采用水平部分路网FL替代大局图卷积路网模型来降低核算本钱，缓解通讯问题。如图1所示，交通流猜测任务大致可分为四个进程：部分路网区分、部分练习、上传部分模型参数、大局模型猜测。首要，经过社区发现算法将路途网络区分为若干个本地子网络。然后，每个子网络从中央服务器下载大局模型参数并进行部分练习。第三，本地练习完成后，每个本地子网将最新的模型参数上传到中央服务器，并汇总所有子网的数据来更新全球模型参数。最终，中心服务器运用大局模型来履行猜测任务。

   

2. 数据处理：本地路网区分和预处理。邻接矩阵中代表大局路网连通性信息的重量为1，用两条路之间间隔的倒数作为新的边际权重来替代。然后，用Louvain算法将大局路网区分为几个部分子网。Louvain 算法是一种分层聚类算法, 能够使网络的模块化程度最大化. 模块性的核算办法如下：

在预处理进程中，运用最小-最大标准化办法对样本进行归一化处理以加快收敛；然后，运用滑动窗口机制从样本中提取根据参数m的特征和标签集。

3. 模型： 咱们运用GCN模型来根据交通数据学习路网的空间拓扑结构。两层的GCN模型能够表明为：

   

本文开发的FL模型的练习进程如图2所示。首要，每个子网络从中央服务器下载一般的大局模型。然后，子网络运用本地数据来练习模型，并将本地模型的参数上传到中央服务器；所有本地模型的参数被汇总以开发一个新的大局模型。最终，中央服务器分发最新的全球模型，并重复上述进程。

在本文中，咱们运用FedAvg算法来汇总大局模型，大局模型的参数更新进程能够表述如下：

FedSTN: Graph Representation Driven Federated Learning for Edge Computing Enabled Urban Traffic Flow Prediction

2022 TITS

猜测交通流量在削减交通拥堵和提高智能城市的运输功率方面发挥着重要作用。才智城市的交通流猜测（TFP）需要高效的模型、高度牢靠的网络和数据隐私。作为交通数据，交通轨道能够转化为图形表明，然后为交通流量猜测挖掘图形的时空信息。然而，现有的作业大多采用中心练习模式，没有考虑分布式交通数据带来的隐私问题。在本文中，咱们提出了一种根据时空长短网络（FedSTN）的联合深度学习算法，经过利用观察到的前史交通数据来猜测交通流。在FedSTN中，部署在边际核算服务器中的每个本地TFP模型包括三个主要部分，即递归长时刻捕获网络（RLCN）模块、留意机制联合网络（AMFN）模块和语义捕获网络（SCN）模块。RLCN能够捕获每个区域的长时刻空间-时刻信息。当AMFN经过根据垂直联合学习（VFL）的加法同态加密办法练习其本地TFP模型时，AMFN同享短期时空隐藏信息。咱们采用SCN来捕捉语义特征，如不规矩的非欧几里得连接和爱好点（POI）。与现有的基线相比，在实际数据集进步行了几次模仿，成果证明了咱们算法的有效性。

• 咱们为TFP提出了一种根据空间-时刻长短网络（FedSTN）的新型联合深度学习算法。在FedSTN中，为了捕捉短期时刻信息而不丢失区域间的空间信息，咱们规划了Federated Graph Attention（FedGAT）层来同享根据VFL的参数。

• 为了猜测本地区域的交通流量，咱们规划了一个RLCN模块来捕捉短期信息。为了将外部要素归入TFP，咱们引入了SCN来捕捉区域流量关系和POI对交通流量猜测的影响。

• 咱们运用三个点评标准（如根均匀平方误差、均匀绝对误差和均匀均匀百分比误差）对FedSTN进行了广泛的模仿。 经过仿真成果，咱们提出的算法比HA、ARIMA、VAR、Xgboost、ConvLSTM、DMVST-Net、ST-ResNet和FedGRU模型有更高的功能

咱们提出的FedSTN是根据前史交通流量、外部特征和爱好点（POI）之间的相关性而定制的。具体来说，EC服务器存储搜集的车辆轨道数据，以猜测未来的路途交通。在智能城市中，RSU从车辆获得GPS轨道数据。气象数据由传感器获取，并经过无线链接发送到EC服务器。TFP体系的原理图见图1