GOF-TTE：面向行程时间估计的生成式在线联邦学习框架

估计路径行程时间是智能交通系统的重要课题。它作为交通监控、路线规划和出租车调度等现实应用的基础。然而，构建此类数据驱动任务的模型需要大量用户出行信息，这直接关联其隐私，因而较难共享。跨数据拥有方的非独立同分布（non-IID）轨迹数据，若直接应用联邦学习，也使预测模型极难个性化。最后，既往行程时间估计工作未考虑道路实时交通状态，我们认为其会显著影响预测。为应对上述挑战，我们为移动用户群引入 GOF-TTE（Generative Online Federated Learning Framework for Travel Time Estimation，面向行程时间估计的生成式在线联邦学习框架），其 I）利用联邦学习方法，使私有数据在训练时保留于客户端设备，并将全局模型设计为所有客户端共享的在线生成模型以推断实时道路交通状态；II）除在服务器端共享基础模型外，为每位客户端适配微调的个性化模型以学习其个人驾驶习惯，弥补局部化全局模型预测的残差误差。我们还对框架实施简单隐私攻击，并采用差分隐私机制进一步保障隐私安全。最后，我们在 DiDi 成都与西安两个真实公开出租车数据集上实验，结果证明了所提框架的有效性。