利用分布式数据的隐私保护出租车需求预测系统
机器学习
2024-08-12 v1 计算机与社会
摘要
准确的出租车需求预测对于优化出租车运营和提升城市交通服务至关重要。然而，在此类系统中使用客户数据会引发重大的隐私与安全问题。传统的联邦学习通过在不直接交换数据的情况下进行模型训练来解决部分隐私问题，但往往因不同区域或服务提供商之间数据分布的差异而难以保证精度。在本文中，我们提出了 CC-Net：一种利用对比学习增强的协作学习新方法，用于出租车需求预测。我们的方法通过分层联邦学习使多方协作训练需求预测模型。在该方法中，将相似方聚类在一起，并在每个聚类内部应用联邦学习。相似性的定义无需数据交换，从而确保隐私与安全。我们使用来自日本五家出租车服务商十四个月的真实数据对所提方法进行了评估。结果表明，CC-Net 在保护客户数据隐私的同时，将预测精度相较于现有方法提升了至少 2.2%。
引用
@article{arxiv.2408.04931,
title = {Privacy-Preserved Taxi Demand Prediction System Utilizing Distributed Data},
author = {Ren Ozeki and Haruki Yonekura and Hamada Rizk and Hirozumi Yamaguchi},
journal= {arXiv preprint arXiv:2408.04931},
year = {2024}
}