[发明专利]交通预测方法、装置、设备及计算机可读存储介质

说明书

本发明公开了一种交通预测方法、装置、设备及计算机可读存储介质，交通预测方法包括：获取多个客户端发送的多个模型参数，将所述多个模型参数进行相似性分析，以将所述多个模型参数进行划分到对应的集群，对所述集群中的模型参数进行优化处理，以确定所述集群中的优化模型参数，将所述优化模型参数发送至服务器，以接收所述服务器根据所述优化模型参数建立的交通预测模型，获取交通待分析数据，将所述交通待分析数据代入所述交通预测模型以得到所述交通预测结果。本发明通过获取优化模型参数进行分析预测，能够减少交通预测模型更新传输的通信开销。

技术领域

本发明涉及物联网技术领域，尤其是涉及一种交通预测方法、装置、设备及计算机可读存储介质。

背景技术

在大数据时代，人们的出行体验大大受益于实时和准确的交通状态，而这需要大量的交通记录数据进行演算。为了达到更高的准确性，数据驱动的方法，如机器学习(ML)和深度学习(DL)已经成为交通预测任务的首选。在各种数据驱动的方法中，基于图神经网络(GNN)的方法被公认为是最先进的方法，它非常适用于交通网络的空间特征的提取，为其在交通预测中的成功应用作出了贡献。

传统的基于GNN的模型的训练是集中的，当涉及到许多数据提供者时，这就产生了重大的隐私问题。联邦学习(FL)的出现是为了解决与集中式训练相关的隐私问题。联邦学习的分布式训练不需要原始数据传输，数据提供者只需在本地储存和训练数据，这样的特性保护了数据提供者的隐私。

虽然FL系统的大多数优化方法都是使用传统的ML/DL学习模型开发和评估的，但将FL推广到基于GNN的模型也不足为奇。但是，许多关于GNN和FL的研究表明了一个实际问题。具体来说，对于FL，大多数FL系统采用平均算法(即FedAvg)来开发全局模型，这需要多个参与者将其本地模型上传到中央服务器。这导致中央服务器的网络通信成本和存储需求大大增加。与处理常规网格状数据的传统DNN模型相比，处理高维和稀疏图形结构数据的GNN在计算上更加困难，同时，需要更多的参数。那么，采用基于GNN的模型将大大增加FL系统的整体计算和通信成本。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种交通预测方法，能够减少模型更新传输的通信开销。

本发明还提出一种交通预测方法。

本发明还提出一种交通预测装置。

本发明还提出一种交通预测设备。

本发明还提出一种计算机可读存储介质。

第一方面，本发明的一个实施例提供了交通预测方法：包括：

获取多个客户端发送的多个模型参数；

将所述多个模型参数进行相似性分析，以将所述多个模型参数进行划分到对应的集群；

对所述集群中的模型参数进行优化处理，以确定所述集群中的优化模型参数；

将所述优化模型参数发送至服务器，以接收所述服务器根据所述优化模型参数建立的交通预测模型；

获取交通待分析数据，将所述交通待分析数据代入所述交通预测模型以得到交通预测结果。

本发明实施例的交通预测方法至少具有如下有益效果：首先，通过获取多个用户发送并存储在客户端的数据信息，可以得到多个模型参数，然后，将多个模型参数进行相似性分析，再根据相似性分析结果对多个模型参数进行聚类分组，将多个模型参数划分入对应的集群。其次，对集群中的模型参数进行优化处理，可以确定集群中的优化模型参数。然后，将优化模型参数发送至服务器，再接收服务器根据优化模型参数建立的交通预测模型。最后，通过获取交通待分析数据，并将待分析数据代入交通预测模型可以得到交通预测结果，并获取优化模型参数进行分析预测，能够减少交通预测模型更新传输的通信开销。