FedPAW：面向城市车辆速度预测的带个人化聚合权重的联邦学习
人工智能
2024-12-03 v1 分布式、并行与集群计算
摘要
车辆速度预测对智能交通系统至关重要，通过准确预测未来车辆状态来促进更可靠的自动驾驶。由于驾驶员驾驶风格和车辆类型的差异，针对不同目标车辆的速度预测可能有显著差异。现有方法可能无法在保护驾驶员数据隐私的前提下实现个性化车辆速度预测。我们提出一种带有个人化聚合权重的联邦学习框架 (FedPAW) 来克服这些挑战。该方法通过测量本地模型参数与全局模型参数之间的加权均方误差来捕获客户端特定信息。服务器发送针对客户端量身定制的聚合模型，而不是发送单个全局模型，且不会为客户端增加额外的计算和通信开销。为评估 FedPAW 的有效性，我们使用自动驾驶仿真器 CARLA 收集了城市场景中的驾驶数据，采用基于 LSTM 的 Seq2Seq 模型，包含多头注意力机制来预测目标车辆的未来速度。结果表明，我们提出的 FedPAW 在 10 秒的时间范围内在预测误差方面位于所有 11 个代表性基线方法中的最低位置，测试 MAE 降低了 0.8%。FedPAW 和数据集 CarlaVSP 的源代码已开放获取：https://github.com/heyuepeng/PFLlibVSP 和 https://pan.baidu.com/s/1qs8fxUvSPERV3C9i6pfUIw?pwd=tl3e。
引用
@article{arxiv.2412.01281,
title = {FedPAW: Federated Learning with Personalized Aggregation Weights for Urban Vehicle Speed Prediction},
author = {Yuepeng He and Pengzhan Zhou and Yijun Zhai and Fang Qu and Zhida Qin and Mingyan Li and Songtao Guo},
journal= {arXiv preprint arXiv:2412.01281},
year = {2024}
}
备注
12 pages, 10 figures