[发明专利]车载算力网络用户需求预测方法、系统、设备、介质

权利要求书

1.一种车载算力网络用户需求预测方法，其特征在于，所述车载算力网络用户需求预测方法包括：

构建端-边-云的混合联邦架构，均衡联邦学习通信和计算间的性能；

设计学习参与者动态选择机制，以应对随机性的移动特征和差异化的数据质量；

通过对车辆历史服务应用信息的分析，在混合联邦架构上部署神经网络算法，在保障车辆隐私的前提下预测其未来时刻的服务需求。

2.如权利要求1所述的车载算力网络用户需求预测方法，其特征在于，所述混合联邦架构由一个云服务器，若干边缘服务器和车辆组成。

3.如权利要求1所述的车载算力网络用户需求预测方法，其特征在于，所述混合联邦架构中，每个边缘服务器e覆盖N_e个车辆；单个车辆i的局部数据集合为其中，x_j表示第j个样本，y_j表示相应的输出，|D_i|表示样本的数目；所述学习过程包括本地数据训练，边缘参数聚合和云端数据聚合。

4.如权利要求3所述的车载算力网络用户需求预测方法，其特征在于，所述学习过程，包括：

(1)第一阶段是车载算力网络中车辆本地数据训练，通过分析影响用户需求预测的因素的相关性，提取特征因素并建立模型特征值；将需求特征进行向量化表示，作为时间序列输入LSTM进行模型训练；车辆通过训练本地数据集以最小化经验损失函数F(w)：

其中，f(x_j,y_j,w)表示第j个样本的损失函数；定义τ为局部迭代的步数，η为学习的速率，则模型的参数通过以下公式更新：

(2)第二阶段是车载算力网络中车辆边缘参数聚合，在本地网络端侧经过一定的迭代次数之后，车辆i将局部模型参数上传给关联的边缘服务器e；e在收到不同车辆上传的模型参数之后进行如下聚合：

其中，S_e表示车辆的集合；e把聚合之后的参数广播给车辆以便继续训练直达设定的精度；

(3)第三阶段是车载算力网络中车辆云端数据聚合，在边缘侧经过一定迭代次数之后，服务器将参数w_e上传至云进行如下聚合：

其中，K表示服务器的集合，随后云将参数w反馈给车辆。

5.如权利要求1所述的车载算力网络用户需求预测方法，其特征在于，所述车载算力网络用户需求预测方法，还包括：混合联邦学习用分布式机器学习，参与各方在数据不出域的基础上共建一个公共虚拟模型，训练和交互的全过程各方的数据始终留在本地，不参与交换和合并，只交换模型参数的梯度更新；

联邦学习的一次迭代过程包括：

客户端从服务器下载全局模型w_t-1；

客户端k训练本地数据得到本地模型w_t，k；

各客户端上传本地模型更新到中心服务器；

服务器接收各方数据后进行加权聚合操作，得到全局模型w_t；

其中，w_t，k代表第k个客户端第t轮通信的本地模型更新，w_t代表第t轮通信的全局模型更新。

6.一种实施权利要求1～5任意一项所述的车载算力网络用户需求预测方法的车载算力网络用户需求预测系统，其特征在于，所述车载算力网络用户需求预测系统，包括：

本地数据训练模块，用于在端-边-云的混合联邦架构的端侧训练车辆产生的数据，分析影响用户需求预测因素的相关性，提取特征因素并建立模型特征值；

边缘参数聚合模块，用于在端-边-云的混合联邦架构的边侧聚合车辆产生的结果并继续进行训练，在端侧经过一定的迭代次数之后，车辆将局部模型参数上传给关联的边缘服务器，然后边缘服务器把聚合之后的参数广播给车辆以便继续训练直达设定的精度；

云端数据聚合模块，用于在端-边-云的混合联邦架构的云侧聚合端侧边缘服务器的数据并分发给车辆，在边侧经过一定迭代次数之后，服务器将参数上传至云进行聚合，然后云将参数反馈给端侧车辆。