基于联邦学习的交通流预测与合成数据增强
机器学习
2025-03-21 v2 人工智能
分布式、并行与集群计算
摘要
深度学习交通预测模型需要大量数据来学习嵌入的空间和时间依赖关系。由于数据本身的隐私和商业敏感性，促使了向去中心化数据驱动方法的转变，如联邦学习(Fl)。在传统机器学习范式下，交通流预测模型可捕捉集中数据中的空间和时间关系。实际情况下，交通数据可能分布在由多个利益相关方所有的数据孤岛中。本文提出一种跨数据孤岛的联邦学习设置，以促进利益相关方协作，以实现最佳交通流预测应用。本文引入的Fl框架称为FedTPS，通过联邦学习训练基于扩散的轨迹生成模型，以生成合成数据来增强每个客户的本地数据集。该框架在大规模真实世界共享乘车数据集上进行评估，使用各种Fl方法和交通流预测模型，包括我们引入的新型预测模型，该模型利用时空注意力机制学习嵌入在区域交通流数据中的时空依赖关系。实验结果表明，FedTPS在全局模型性能方面优于多个其他Fl基线方法。
引用
@article{arxiv.2412.08460,
title = {Federated Learning for Traffic Flow Prediction with Synthetic Data Augmentation},
author = {Fermin Orozco and Pedro Porto Buarque de Gusmão and Hongkai Wen and Johan Wahlström and Man Luo},
journal= {arXiv preprint arXiv:2412.08460},
year = {2025}
}
备注
11 pages, 7 figures, 6 tables, ACM format