基于联邦学习和异步计算图神经网络的交通流预测
机器学习
2024-04-08 v2 计算机视觉与模式识别
摘要
实时交通流预测在智能交通系统（ITS）领域具有重要意义。在预测精度和计算效率之间取得平衡是一项重大挑战。本文提出了一种新颖的深度学习方法，称为联邦学习与异步图卷积网络（FLAGCN）。我们的框架将异步图卷积网络与联邦学习相结合，以提高实时交通流预测的准确性和效率。FLAGCN模型采用时空图卷积技术来有效异步处理交通数据中的时空依赖性。为了高效处理该深度学习模型相关的计算需求，本研究使用了一种称为GraphFL的图联邦学习技术。该方法旨在促进训练过程。在两个不同交通数据集上进行的实验结果表明，使用FLAGCN可以在保持高预测精度的同时优化训练和推理时间。与现有最佳模型相比，FLAGCN在RMSE上降低约6.85%，在MAPE上降低20.45%，取得了显著改进。
引用
@article{arxiv.2401.02723,
title = {Predicting Traffic Flow with Federated Learning and Graph Neural with Asynchronous Computations Network},
author = {Muhammad Yaqub and Shahzad Ahmad and Malik Abdul Manan and Imran Shabir Chuhan},
journal= {arXiv preprint arXiv:2401.02723},
year = {2024}
}
备注
I request to withdraw my paper from arXiv due to significant updates and improvements identified post-submission. These enhancements will substantially elevate the work's quality and impact. I plan to resubmit the revised paper upon completion of these updates. Thank you for accommodating this request