基于误差驱动的个性化联邦学习用于交通预测
机器学习
2026-02-18 v2
摘要
低延迟交通预测对智能城市交通管理至关重要。联邦学习已成为交通预测(FLTP)的有前景技术，具有隐私保护、通信开销降低、预测准确性提升以及适应变化交通条件的优势。然而，当前大多数FLTP框架缺乏实时模型更新方案，阻碍其持续整合新到达的交通数据并有效适应交通趋势变化的能力。另一个关注点是现有FLTP框架依赖常规FL模型聚合方法，即为所有交通监测设备分配相同模型（即全局模型），以预测其个人本地交通趋势，从而忽视不同地点收集的交通数据呈非独立同分布特性。基于上述发现并结合强化学习的洞见，我们提出NeighborFL，一种基于haversine距离和误差驱动的、针对每个交通节点的个性化本地模型分组 heuristics 的个性化实时联邦学习方案。该方法使NeighborFL能够为每个客户创建位置感知且量身定制的预测模型，同时促进协作学习。仿真结果表明，NeighborFL有效且在三个基准模型中均实现了更好的实时预测准确性，其中一项实验设置显示其MSE值相较于朴素FL设置降低了16.9%。
引用
@article{arxiv.2407.12226,
title = {Individualized Federated Learning for Traffic Prediction with Error Driven Aggregation},
author = {Hang Chen and Collin Meese and Mark Nejad and Chien-Chung Shen},
journal= {arXiv preprint arXiv:2407.12226},
year = {2026}
}
备注
30 pages, 7 figures