基于交通感知联邦学习的城市交通预测框架:一种个性化聚合方法

《Machine Learning with Applications》:A traffic-aware federated learning prediction framework with custom aggregation

【字体: 大 中 小 】 时间:2025年12月30日 来源:Machine Learning with Applications 4.9

编辑推荐:

  为解决非独立同分布数据下联邦学习在交通预测中的性能下降问题,研究人员开展了“交通感知联邦学习”主题的研究。该研究提出了一种新颖的个性化定制聚合策略,通过整合交通负载强度、车辆流量变异性等六个领域特定指标,动态调整客户端权重。结果表明,该方法在5至60分钟预测区间内,相较于FedAvg、FedProx等基线方法,显著降低了MAE、MSE和RMSE,并提升了R2值,有效缓解了客户端漂移和聚合偏差。其意义在于为异构城市交通环境下的隐私保护、高精度预测提供了可扩展的联邦学习解决方案。

  
随着城市化进程的加速,智能交通系统(Intelligent Transportation Systems, ITS)对于高效、安全的城市运营变得至关重要。准确的交通预测,特别是对未来几分钟到一小时的交通速度和流量的预测,是ITS的核心功能,能够助力拥堵管理、路线规划和事故预警。然而,构建此类预测模型通常需要汇集来自遍布城市各处的传感器(如环形检测器)的大量数据。这种集中化数据处理方式引发了严峻的数据隐私和安全担忧,因为交通数据可能包含敏感的位置和移动模式信息。此外,不同区域(例如,城市中心与郊区)的交通数据在统计分布上存在显著差异,即呈现非独立同分布(Non-IID)特性,这给传统的机器学习模型带来了巨大挑战。联邦学习(Federated Learning, FL)作为一种新兴的分布式机器学习范式,为解决隐私问题提供了可能。它允许模型在本地数据上进行训练,仅将模型更新(而非原始数据)发送到中央服务器进行聚合,从而保护数据隐私。然而,标准的联邦学习算法,如联邦平均(Federated Averaging, FedAvg),在处理交通数据这种典型的非IID数据时,往往表现不佳,容易导致模型收敛缓慢、性能下降,甚至出现“客户端漂移”(client drift)现象,即局部模型偏离全局最优解。
为了应对这些挑战,一篇发表在《Machine Learning with Applications》上的研究提出了一种创新的交通感知联邦学习框架,用于多步长交通预测。该研究旨在克服现有方法在异构交通环境下的局限性,实现隐私保护与预测精度之间的平衡。研究人员开展了一项系统性的研究,他们首先利用来自丹麦奥胡斯市的真实世界CityPulse交通数据集,该数据集包含了449对道路传感器在2014年2月至6月间记录的超过1000万条交通观测数据。通过预处理和时空聚类技术,他们将交通路口划分为四个具有不同交通行为模式(如高流量-高速度、低流量-低速度)的客户端,以模拟真实的非IID联邦学习场景。核心创新在于提出了一种个性化的交通感知定制聚合策略,取代了标准的FedAvg。该策略不是简单地根据客户端数据量进行加权平均,而是综合考虑了六个交通领域指标来动态计算每个客户端的聚合权重,包括交通负载强度(Traffic Load Intensity, TLI)、车辆流量幅度(Vehicle Flow Magnitude, VFM)、车辆流量变异性(Vehicle Flow Variability, VFV)、时间新鲜度(Temporal Freshness, TF)、移动速率指标(Mobility Rate Indicator, MRI)和移动稳定性得分(Mobility Stability Score, MSS)。在模型架构上,采用了基于注意力机制增强的联邦长短期记忆网络(Federated LSTM with Attention, FedLSTM)来捕捉时间序列中的长期依赖关系。研究结果表明,与集中式LSTM、FedAvg、FedProx、FedNova和FedYogi等基线方法相比,提出的交通感知聚合方法在所有评估的预测区间(5, 10, 15, 30, 45, 60分钟)上均取得了更优的性能,表现为更低的平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE),以及更高的决定系数(R2)。这项研究的意义在于,它首次将具体的交通领域知识深度融入联邦学习的聚合过程中,显著提升了模型在异构环境下的鲁棒性和泛化能力,为构建更加智能、隐私安全的未来城市交通管理系统奠定了坚实的基础。
为开展此项研究,作者主要应用了几项关键技术方法。研究基于真实的CityPulse数据集,该数据源自奥胡斯市部署的449对道路传感器。首先,采用了主成分分析(PCA)结合K-means聚类的方法,根据交通模式的时空特征将路口划分为四个语义清晰的客户端组,以模拟非IID的联邦学习环境。模型核心是一个带有注意力机制的双层长短期记忆网络(LSTM),用于进行多步长(5-60分钟)的双目标(速度和流量)预测。最关键的创新在于服务器端的个性化交通感知聚合算法,该算法利用六个统计指标(TLI, VFM, VFV, TF, MRI, MSS)动态计算客户端权重,替代了传统的基于数据量的加权平均。整个联邦训练流程在Flower框架上实现,并与其他主流聚合策略(FedAvg, FedProx, FedNova, FedYogi)进行了对比验证。
3.1. 问题定义
该研究将交通预测定义为在保护数据隐私的前提下,利用联邦学习框架对未来短中期(5至60分钟)交通速度(speed)和交通流量(flow)进行预测。研究强调了在非IID数据分布下,传统联邦学习方法(如FedAvg)的局限性,如客户端漂移和聚合偏差,从而引出了对更智能、自适应的聚合策略的需求。
3.2. 数据获取与准备
研究使用了欧盟FP7 CityPulse项目在丹麦奥胡斯市收集的真实交通数据集,包含2014年2月至5月间的约1030万条有效记录。数据经过清洗、去重和时间对齐等预处理后,采用滑动窗口方法构建监督学习样本,以历史序列预测未来多个时间步的目标变量。
3.3. 交通信息化的时空聚类
为了模拟现实的非IID联邦学习设置,研究采用了一种基于聚类(clustering)的客户端分配策略。首先计算每个路口的长期统计描述符(如流量强度、变异性等),然后使用PCA降维和K-means算法将435个有效路口聚类成4个组。这4个簇分别代表高流量-高速度、低流量-中速度、低流量-低速度和中流量-中速度等不同的交通行为模式,从而形成四个具有语义一致性的联邦客户端。每个客户端包含约10个最具代表性的路口,确保了数据的局部多样性和全局异构性。
3.4. 模型架构与FL训练流程
3.4.1. 用于双目标交通预测的注意力增强LSTM
模型采用两层堆叠的LSTM网络,每层128个隐藏单元,并集成了一个软注意力(attention)机制。该模型处理多元时间序列输入,并同时预测未来的平均速度和车辆流量两个目标。注意力机制通过计算隐藏状态的加权和,使模型能够动态关注输入序列中最相关的时间步。
3.4.2. 联邦训练流程
联邦训练模拟使用Flower框架,采用跨孤岛(cross-silo)设置。在每一轮通信中,服务器将全局模型广播给所有客户端,各客户端使用本地数据对FedLSTM模型进行训练,然后将模型更新和计算出的六个交通感知指标发送回服务器。研究人员比较了集中式LSTM基线以及五种联邦聚合策略:FedAvg、FedProx、FedYogi、FedNova和本文提出的交通感知定制聚合。
3.5. 个性化交通感知聚合
这是本文的核心贡献。提出的聚合策略为每个客户端k计算一个个性化权重ωk,该权重是六个归一化后的交通指标(zk= [Vk, μc,k, σc,k, Rk, Φk, Ψk])的线性组合,其中系数(α, β, γ, δ, ε, η)为可通过网格搜索调优的超参数。这些指标分别衡量了数据量、平均流量、流量波动性、数据新鲜度、平均速度和速度稳定性。最终,全局模型更新是客户端模型的加权和,权重由计算出的分数归一化后决定。这种方法确保了从具有信息量更大、更相关、更稳定的交通数据的客户端贡献更多信息给全局模型。
4. 结果分析与讨论
研究成果通过MAE、MSE、RMSE和R2四个指标进行了全面评估。结果显示,在所有的预测区间上,提出的交通感知定制聚合策略均优于所有基线方法(集中式LSTM、FedAvg、FedProx、FedNova、FedYogi)。例如,在5分钟预测区间,本文方法的MAE为3.8624 ± 0.06,显著低于FedAvg(4.0168 ± 0.07)和集中式LSTM(4.1862 ± 0.06)。随着预测区间的延长(如60分钟),所有方法的性能都有所下降,但本文方法表现出最慢的误差增长速度和最佳的稳定性,表明其更好的长期泛化能力。对每个客户端的单独评估进一步表明,该聚合策略能够在不同交通模式的客户端上取得均衡且稳定的性能,避免了某些客户端主导全局模型的问题。统计检验(配对t检验)结果证实了所提出方法相对于基线模型的性能提升在统计上是显著的。
研究的结论部分强调,所提出的交通感知联邦学习框架成功解决了在非IID交通数据下进行隐私保护预测的关键挑战。通过将领域特定的交通指标嵌入到联邦聚合的核心逻辑中,该框架实现了比标准方法更公平、更稳健的模型更新。讨论部分指出,这种上下文感知的聚合机制有效缓解了客户端漂移,减少了由于数据异质性带来的聚合偏差,并提高了模型在不同交通状况下的泛化能力。这项研究的重要意义在于它推动了联邦学习在智能交通系统中的实际应用,为构建下一代去中心化、自适应且隐私安全的城市移动智能体提供了可行的技术路径。未来工作可以探索更精细的聚类方法、引入元学习或强化学习来进一步优化聚合策略,并将框架扩展到更长期、多模态的交通预测任务中。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号