HSTFL：面向不对齐时空预测的异构联邦学习框架

时空预测已成为智能交通和智能能源管理等各类智慧城市应用不可或缺的基础模块。最新进展表明，通过整合来自不同领域的地理分布式时间序列数据中的知识，可以显著提升时空预测的性能，例如利用人类移动数据增强房地产评估；联合预测出租车和自行车需求。尽管现有方法行之有效，但它们假设存在集中式的数据收集与利用环境，忽视了与不同方拥有的数据相关的隐私和商业利益问题。在本文中，我们在不直接访问多源私有数据的情况下，研究多方协作的时空预测。然而，由于 1）跨领域特征异构性以及 2）跨客户端地理异构性，标准的横向或纵向联邦学习在此不适用，使得该任务极具挑战性。为此，我们提出了一种异构时空联邦学习（HSTFL）框架，使多个客户端能够在保护隐私的同时，协作利用来自不同领域的地理分布式时间序列数据。具体而言，我们首先设计了纵向联邦时空表示学习，以在本地保留各参与者之间的时空依赖关系，并为异构数据生成有效的表示。然后，我们提出了一个跨客户端虚拟节点对齐模块，通过多级知识融合方案引入跨客户端的时空依赖关系。广泛的隐私分析和实验评估表明，HSTFL 不仅能有效抵御推理攻击，而且相较于各种基线模型取得了显著的性能提升。