面向公平高效城市交通优化的隐私保护联邦学习
机器学习
2025-11-11 v1 人工智能
网络与互联网体系结构
系统与控制
系统与控制
摘要
城市交通优化面临在效率与隐私维护之间以及在社会经济差异社区间公平分配方面的复杂平衡问题。当前的集中式交通管理方案侵犯用户位置隐私，并通过提供劣势路线建议进一步加剧交通不平等；而现有联邦学习框架则未在多目标交通场景中考虑公平性约束。本研究提出一种隐私保护联邦学习框架，称为 FedFair-Traffic，联合同步优化旅行效率、交通公平性与差分隐私保护。这一工作首次将三种相互冲突的目标集成以提升城市交通系统。所提方法通过将图神经网络与差分隐私机制（ε-隐私保障）结合，并运用基于 Gini 系数的公平约束进行多目标优化。框架采用梯度裁剪与噪声注入的联邦聚合方法，以实现差分隐私并优化效率-公平性权衡的帕累托高效解。基于 METR-LA 交通数据集的真实世界综合实验表明，FedFair-Traffic 比现有集中基线平均缩短旅行时间 7%（14.2 分钟），提升交通公平性 73%（Gini 系数 0.78），隐私保护效果佳（隐私得分 0.8），通信开销降低 89%。这些结果表明，FedFair-Traffic 是一个可扩展的隐私感知智慧城市基础设施，适用于大都市交通流控制与联邦交通网络。
引用
@article{arxiv.2511.06363,
title = {Privacy-Preserving Federated Learning for Fair and Efficient Urban Traffic Optimization},
author = {Rathin Chandra Shit and Sharmila Subudhi},
journal= {arXiv preprint arXiv:2511.06363},
year = {2025}
}
备注
Under review at IEEE journal