面向交通预测的基于图的联邦学习聚合方法

在交通预测中，目标是利用部署在各区域或道路段的历史数据估计特定区域或道路段的交通速度或流量。每个区域或道路段可视为一个独立的客户端，对当地交通流量进行测量，这使得联邦学习（FL）成为在不共享原始数据的情况下进行模型协同训练的合适方法。在中心式联邦学习中，中心服务器收集并聚合来自多个客户端的模型更新，以构建共享模型，同时保留每个客户端的数据隐私。标准联邦学习方法，如联邦平均（FedAvg），假设客户端是相互独立的，这在空间关系在客户机之间至关重要的交通预测任务中可能限制性能。联邦图形学习方法可以在服务器端聚合过程中捕获这些依赖关系，但通常会引入显著的计算开销。本文提出了一种轻量级图感知式联邦学习方法，将FedAvg的简单性与图形学习的关键思想相结合。我们的 метод不训练完整模型，而是对基本邻域聚合原理进行应用，以引导参数更新，根据图的连通性对客户端模型进行加权。该方法在保持计算效率的同时有效捕获了空间关系。我们在两个基准交通数据集METR-LA和PEMS-BAY上对方法进行评估，结果表明其在与标准基线和最新图形联邦学习技术之间取得了具竞争力的性能。