Bikelution：面向大规模共享微出行需求预测的联邦梯度提升
机器学习
2026-02-25 v1
摘要
无人机共享系统的快速增长产生了大量有用的时空数据，用于车队分配、拥堵缓解和可持续出行。然而，自行车需求取决于多个外部因素，传统时间序列模型不足以捕捉这种复杂性。集中式机器学习（CML）可实现高精度预测，但当数据分布在边缘设备上时会引发隐私和带宽问题。为克服这些限制，我们提出了 Bikelution，一种基于梯度提升树的高效联邦学习（FL）解决方案，既保留了隐私，又能提供准确的中期需求预测（最高可达六小时）。在三个真实世界的 BSS 数据集上进行的实验表明，Bikelution 的性能与其基于 CML 的变体相当，但优于当前最先进的方法。结果凸显了面向隐私感知需求预测的可行性，并概述了 FL 与 CML 方法之间的权衡。
引用
@article{arxiv.2602.20671,
title = {Bikelution: Federated Gradient-Boosting for Scalable Shared Micro-Mobility Demand Forecasting},
author = {Antonios Tziorvas and Andreas Tritsarolis and Yannis Theodoridis},
journal= {arXiv preprint arXiv:2602.20671},
year = {2026}
}