FedParking：基于联邦学习的泊车辅助边缘计算停车位估计
机器学习
2021-10-26 v1 人工智能
摘要
作为一种分布式学习方法，联邦学习在保护训练数据隐私的同时，基于分布式数据集训练共享学习模型。我们将联邦学习的应用拓展至停车管理，并提出 FedParking，其中各停车场运营商（PLOs）协作训练一个长短期记忆模型用于停车位估计，而无需交换原始数据。此外，我们研究了 FedParking 对泊车车辆辅助边缘计算（PVEC）的管理。在 PVEC 中，不同 PLOs 通过激励机制将 PVs 招募为边缘计算节点以提供卸载服务，该机制根据源自 FedParking 的计算需求与停车容量约束设计。我们将 PLOs 与车辆间的交互建模为多领导者多跟随者 Stackelberg 博弈。考虑到车辆的动态到达与随时间变化的停车容量约束，我们提出一种多智能体深度强化学习方法，以分布式且保护隐私的方式逐步达到 Stackelberg 均衡。最后，数值结果证明了我们方案的有效性与高效性。
引用
@article{arxiv.2110.12876,
title = {FedParking: A Federated Learning based Parking Space Estimation with Parked Vehicle assisted Edge Computing},
author = {Xumin Huang and Peichun Li and Rong Yu and Yuan Wu and Kan Xie and Shengli Xie},
journal= {arXiv preprint arXiv:2110.12876},
year = {2021}
}
备注
Accepted in IEEE TVT, small bugs in Sec. V-B are corrected in this version. Copyright (c) 2021 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses