(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210701909.4 (22)申请日 2022.06.21 (71)申请人 华东师范大学 地址 200241 上海市闵行区东川路5 00号 (72)发明人 王高丽　唐慧敏　 (74)专利代理 机构 上海蓝迪专利商标事务所 (普通合伙) 31215 专利代理师 徐筱梅　张翔 (51)Int.Cl. G06Q 10/04(2012.01) G06N 20/20(2019.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06F 21/62(2013.01) (54)发明名称 一种基于联邦学习的交通 流量预测方法 (57)摘要 本发明公开了一种基于联邦学习的交通流 量预测方法， 其特点是采用差分隐私技术对梯度 信息加噪的方法， 在客户端 ‑服务器架构 的基础 上构建基于长短期记忆网络LSTM的流量预测模 型， 具体包括： 系统初始化、 客户端对本地数据处 理、 局部计算、 参数聚合和模型更新等步骤。 本发 明与现有技术相比具有通过将新兴的联邦学习 系统与LSTM深度学习网络结合， 打破了 “数据孤 岛”， 通过一个不需要原始数据交换的局部训练 模型， 提供了可靠的数据隐私保护， 在敌手已知 大部分数据数据信息的情况下， 针对 单个用户进 行数据保护， 在数据集上关注了不同时间段流量 值对预测结果的影响， 实验结果表明， 该算法能 够达到理想的预测精准度。 权利要求书2页 说明书6页 附图3页 CN 114881371 A 2022.08.09 CN 114881371 A 1.一种基于联邦学习的交通流量预测方法， 其特征在于采用差分隐私技术对梯度信息 加噪的方法， 基于长短期记忆网络LSTM构建流量预测模型， 其模型构建和交通流量的预测 具体包括以下步骤： 步骤A： 系统初始化 中心服务器发送建模任务， 寻求参与客户端， 各客户端根据自身需求进入联合建模过 程， 并接收中心服 务器发来的初始参数； 步骤B： 客户端对本地数据进行 预处理 客户端对本地交通流量数据进行统计， 获得一连串交通流量时序数据， 将其划分为训 练数据集和 测试数据集； 步骤C： 局部计算 客户端初始化系统参数后， 在本地将己方数据输入本地LSTM模型进行局部计算， 并将 本地局部计算所 得梯度脱敏后上传， 以用于全局模型的一次更新； 步骤D： 参数聚合 参与训练 的所有客户端在完成一 次迭代后与中心服务器进行通信， 并将训练得到的梯 度信息发送给服 务端， 中心服 务器对这些计算 值进行聚合操作； 步骤E： 模型 更新 中心服务器根据聚合后的结果对全局模型进行一 次更新， 并将更新后的模型返回给参 与建模的数据持有方更新本地模 型， 开启下一步局部计算， 同时评估 更新后的模 型性能， 当 性能足够好时， 训练终止， 结束联合建模， 并将建立好的全局模型保存在中心服务器端， 作 为流量预测模型用于进行交通 流量的预测或分类工作。 2.根据权利要求1所述的基于联邦学习的交通流量预测的方案， 其特征在于所述步骤A 具体包括下述 步骤： 步骤A1： 中心服 务器发送建模 任务， 寻求参与客户端； 步骤A2： 客户端收到建模任务后， 可选择参加或拒绝， 选择参加建模任务的客户端达成 协议后， 各客户端登录云， 进入联合建模过程； 步骤A3： 由中心服 务器向各客户端发布初始参数， 各客户端接收初始参数。 3.根据权利要求1所述的基于联邦学习的交通流量预测的方案， 其特征在于所述步骤B 具体包括下述 步骤： 步骤B1： 参与联合建模的客户端的本地数据对使用不同传感器收集到的数据， 并对每 个地区每 个时间间隔的流 量值进行统计， 得到一连串交通 流量时序数据； 步骤B2： 将交通 流量时序数据划分为训练数据集和 测试数据集； 步骤B3： 对交通 流量数据进行归一 化处理； 步骤B4： 引入滑动窗口的概念， 将原始数据集转化为符合深度学习处理的有监督学习 的数据， 即 “输入向量 ‑输出标签”格式， 便于后期输入到模型中进行训练。 4.根据权利要求1所述的基于联邦学习的交通流量预测的方案， 其特征在于所述步骤C 中的 LSTM 模型包括： LSTM层的特征数为12、 输出特征数为64、 网络层数为2， 即整个网络为 12‑64‑64， 然后在两个LSTM层后添加一个输入为64， 输出层为1的全连接层。 5.根据权利要求1所述的基于联邦学习的交通流量预测的方案， 其特征在于所述步骤D 具体包括下述 步骤：权　利　要　求　书 1/2 页 2 CN 114881371 A 2步骤D1： 参与训练的所有客户端在完成一次迭代后与中心服务器进行通信， 中心服务 器以概率q进行随机采样， 选择部分客户端 进行下一步操作； 步骤D2： 中心服务器接受被选的客户端发来的梯度信息进行参数聚合， 并在最后平均 时加入噪声， 通过差分隐私技 术来保护数据隐私。权　利　要　求　书 2/2 页 3 CN 114881371 A 3