基于在线时空相关性的联邦学习用于交通流预测
机器学习
2023-02-20 v1 分布式、并行与集群计算
摘要
交通流预测（TFF）对智能交通系统（ITS）的构建具有重要意义。为缓解集中式预测方法带来的通信负担与隐私泄露问题，联邦学习（FL）已被应用于 TFF。然而，现有基于 FL 的方法采用批学习模式，使得预训练模型不适用于后续交通数据，从而表现出欠佳的预测性能。本文首次在 FL 框架下研究采用在线学习（OL）模式预测交通流，并提出一种名为基于在线时空相关性的联邦学习（FedOSTC）的新预测方法，旨在无论交通波动如何均保证性能提升。具体而言，客户端采用基于门控循环单元（GRU）的编码器获取交通数据序列内部的时序模式。随后，中心服务器通过图注意力网络（GAT）评估客户端间的空间相关性，以适应交通波动引起的空间邻近性动态变化。此外，为提升全局模型对即将到来交通数据的泛化能力，提出一种周期感知聚合机制，以聚合在客户端使用在线梯度下降（OGD）算法优化的本地模型。我们在两个真实世界数据集上进行了全面实验以验证所提方法的效率与有效性，数值结果证明了 FedOSTC 的优越性。
引用
@article{arxiv.2302.08658,
title = {Online Spatio-Temporal Correlation-Based Federated Learning for Traffic Flow Forecasting},
author = {Qingxiang Liu and Sheng Sun and Min Liu and Yuwei Wang and Bo Gao},
journal= {arXiv preprint arXiv:2302.08658},
year = {2023}
}