面向智慧城市用水预测的联邦学习
机器学习
2023-01-31 v1
摘要
用水消耗仍是世界未来挑战中的一大关切。对于负荷监测与需求响应等应用，深度学习模型利用智慧城市中海量消耗数据进行训练。一方面，所用信息具有隐私性。例如，作为系统物联网架构一部分、安装于消费者住所的智能电表所采集的精确信息，可能泄露家电详情，进而暴露消费者在家的活动规律。另一方面，深度学习模型若要得到妥善训练，需要具有充分多样性的海量数据。本文提出一种用于智慧城市用水预测的新模型，同时保护月度消耗的隐私。所提方法利用联邦学习（FL）这一机器学习范式，以分布式方式训练机器学习模型，且避免将用户数据共享至中心训练设施。此外，该方法有望通过降低用户与中心实体间数据传输频率来减少开销占用。大量仿真表明，所提方法在不同家庭的用水预测上均有提升。
引用
@article{arxiv.2301.13036,
title = {Federated Learning for Water Consumption Forecasting in Smart Cities},
author = {Mohammed El Hanjri and Hibatallah Kabbaj and Abdellatif Kobbane and Amine Abouaomar},
journal= {arXiv preprint arXiv:2301.13036},
year = {2023}
}