[发明专利]基于区块链和联邦学习的网络货运平台运单准点预测方法

权利要求书

1.基于区块链和联邦学习的网络货运平台运单准点预测方法，其特征是，包括步骤如下：

步骤1、当网络货运平台有共建模型的需求时，先向任务发布者即第三方可信机构提交请求，任务发布者会审核网络货运平台身份以及训练需求，审核通过后任务发布者进行智能合约的部署；

步骤2、有意参与本次模型训练任务的网络货运平台在智能合约中规定的平台注册时间内调用智能合约进行身份登记，注册成功后智能合约向网络货运平台返回训练任务参数；

步骤3、根据返回的训练任务参数，参与本次模型训练任务的各个网络货运平台先收集客户的运单信息和物流信息形成本地原始数据集，并对本地原始数据集进行预处理和特征筛选后得到该网络货运平台的本地训练数据集，再利用本地训练数据集对本地运单准点预测模型训练进行训练，得到本轮联邦学习的本地模型权重，后调用智能合约将本轮联邦学习的本地模型权重上链；

步骤4、智能合约对所有上链的本轮联邦学习的本地模型权重进行聚合，得到本轮联邦学习的全局模型权重；

步骤5、智能合约判断联邦学习的当前轮数t是否达到设定的轮数阈值R_max和联邦学习期待目标||ω^t-ω^t-1||₂是否达到设定的目标阈值ε：其中ω^t表示第t轮联邦学习的全局模型权重，ω^t-1表示第t-1轮联邦学习的全局模型权重，||*||₂表示L2范数；

如果t≥R_max或者||ω^t-ω^t-1||₂≤ε，则各个参与本次模型训练任务的网络货运平台通过智能合约获取本轮联邦学习的全局模型权重，用以更新本轮联邦学习的本地模型权重，并得到最终的本地运单准点预测模型；

否则，各个参与本次模型训练任务的网络货运平台通过智能合约获取本轮联邦学习的全局模型权重，用以更新本轮联邦学习的本地模型权重，并转入步骤3，开始新一轮的联邦学习迭代；

步骤6、网络货运平台采集待预测的客户的运单信息和物流信息作为待预测原始数据，并对待预测原始数据进行预处理和特征筛选后送入到最终的本地运单准点预测模型中，预测运单能否准时送达。

2.根据权利要求1所述的基于区块链和联邦学习的网络货运平台运单准点预测方法，其特征在于，步骤1中，任务发布者需要为训练任务部署一个专属的智能合约，智能合约包含的函数如下：

initTask()：训练任务的各项参数初始化函数；

register()：训练任务参与者登记函数；

uploadParameters()：本地模型权重上链函数；

getParameters()：获取全局模型权重函数；

federation()：联邦平均函数。

3.根据权利要求1所述的基于区块链和联邦学习的网络货运平台运单准点预测方法，其特征在于，步骤3中，网络货运平台利用深度神经网络构建本地运单准点预测模型；深度神经网络的输入层为一层节点数为32的全连接层；隐藏层为一层节点数为16的全连接层，其隐藏层的激活函数选择ReLU函数；输出层为一层节点数为8的全连接层，其输出层激活函数选择sigmoid函数。

4.根据权利要求1所述的基于区块链和联邦学习的网络货运平台运单准点预测方法，其特征在于，步骤3中，网络货运平台利用本地训练数据集训练本地运单准点预测模型时，通过梯度下降法达到最小化损失函数的训练目的，不断更新本地模型权重。

5.根据权利要求1所述的基于区块链和联邦学习的网络货运平台运单准点预测方法，其特征在于，步骤4中，第t轮联邦学习的全局模型权重ω^t为：

式中，m为参与本次模型训练任务的网络货运平台的个数，|D_i|为网络货运平台p_i的本地训练数据集的数据样本数量，|D|为所有网络货运平台的本地训练数据集的数据样本数量，为网络货运平台p_i在第t轮联邦学习时的本地模型权重。