(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 202111650392.2 (22)申请日 2021.12.3 0 (71)申请人 南通大学 地址 226019 江苏省南 通市崇川区啬园路9 号 (72)发明人 张一迪　顾翔　陈飞扬　王进　 陈亮　万杰　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 张俊俊 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/30(2012.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种基于联邦学习的长距离高速公路交通 流量预测方法 (57)摘要 本发明提供了一种基于联邦学习的长距离 高速公路 交通流量预测方法， 属于交通预测和信 息安全技术领域。 解决了 现有交通预测模型对长 距离高速公路进行交通流量预测， 准确率不高， 监测点使用损耗较大， 浪费能源， 且未考虑交通 数据信息安全的问题。 其技术方案为： 包括以下 步骤： 步骤一、 LS TM‑RNN搭建； 步骤二、 数据处理； 步骤三、 联邦学习； 步骤四、 模型预测。 本发明的 有益效果为： 本发明提高交通流量预测的准确 率， 防止信息泄露， 降低能源消耗， 降低监测点的 使用损耗。 权利要求书3页 说明书7页 附图7页 CN 115115082 A 2022.09.27 CN 115115082 A 1.一种基于联邦学习的长距离高速公路交通流量预测方法， 其特征在于， 包括以下步 骤： 步骤一、 LSTM ‑RNN搭建， 在Windows+Python+Tensorflow的环境下， 搭建一个LSTM ‑RNN 网络模型； 步骤二、 数据处理， 监测点收集的数据为每小时内通过该监测点的车辆数量， 对数据进 行缺失值处理、 归一化处理、 滑动窗口处理， 每个监测点的数据处理阶段是相互独立的， 使 用自身的数据进行缺失值处 理、 归一化处理、 滑动窗口处 理； 步骤三、 联邦学习， 设监测点为客户端， 联邦数据聚合中心为服务端， 每个客户端采用 步骤一中的LSTM ‑RNN模型， 将所有监测点分为两部 分， 每周进 行交替工作， 每间隔一个监测 点选中一个作为联邦学习的客户端， 未被选中的监测 点只收集交通数据， 不使用其数据训 练模型， 仍接收服 务端下发的模型参数， 直接使用其数据进行交通 流量预测； 步骤四、 模型预测， 紧接着步骤三完成联邦学习阶段后， 所有监测点使用服务端下发的 模型权重进 行交通流量预测， 将经过数据处理阶段后的数据输入到模 型中， 进行运算， 将结 果再进行反归一 化， 计算出每 个监测点的交通 流量预测值。 2.根据权利要求1所述的基于联邦学习的长距离高速公路交通流量预测方法， 其特征 在于， 所述 步骤一中采用LSTM ‑RNN计算， 具体包括如下步骤： (1)LSTM遗忘门： 当前输入为xt， 计算上一个时间戳的记忆为ct‑1， 输出为ht‑1， 对当前时 间戳的影响， 并计算当前时间戳的状态向量c ′t； gf＝σ(Wf[ht‑1， xt]) c′t＝gf·ct‑1 其中Wf为遗忘门的权 重参数， σ 为激活函数； (2)LSTM输入门： 当前输入为xt， 上一个时间戳的输出为ht‑1， 做非线性变换得到新的输 入， 并更新当前时间戳的状态向量ct， gi＝σ(Wi[ht‑1， xt]) 其中Wc、 Wi分别为输入门的权 重参数， tanh为激活函数； (3)LSTM输出门： go＝σ(Wo[ht‑1， xt]) ht＝go·tanh(ct) (4)RNN： ot＝ht＝σ(Wxhxt+Whhht‑1) 其中Wxh、 Whh为RNN的权重参数， σ 为激活函数； (5)Dense1 ‑Dense2： 将RN N的输出作为输入， 通过全连接层计算出 预测值， Op＝(XRNN·Wd1)·Wd2 其中Op为Dense层输出， XRNN为RNN的输出， Wd1为Dense1的权重参数， Wd2为Dense2的权重 参数。 3.根据权利要求1所述的基于联邦学习的长距离高速公路交通流量预测方法， 其特征 在于， 所述步骤二中， 使用自身的数据进行缺失值处理、 归一化处理、 滑动窗口处理具体步权　利　要　求　书 1/3 页 2 CN 115115082 A 2骤如下： (1)缺失值处理： 缺失值用缺失值前一 时刻的值和后一时刻的值的平均值来替换， 如下 公式所示， Xti： 缺失值替换值， Xt‑1： 缺失值前一时刻的值， Xt+1： 缺失值后一时刻的值； (2)归一化处理： X： 每小时内通过监测点的车辆数量， Xmin， Xmax分别为每小时内通过监测点的车辆数量 的最小值和最大值， Xnorm： X经过归一化处理后的值； (3)滑动窗口处理： 将经过缺失值处理和归一化处理后的数据， 进行滑动窗口处理， 将 前24个小时的数据作为LSTM ‑RNN模型的训练数据， 第25个小时的数据作为LSTM ‑RNN模型的 训练标签。 4.根据权利要求1所述的基于联邦学习的长距离高速公路交通流量预测方法， 其特征 在于， 在所述 步骤三联邦学习中， 服务端模型权 重聚合策略： 设客户端k第t轮通信上传到服 务端的参数为 Lk为客户端k的损失函数， η为模型 学习率， 服 务端对模型权重聚合后的参数为 Wt+1， pk为客户端k的聚合权 重， 且 每个客户端的聚合权重pk， 采用如下策略计算pk， 先计算每个客户端上传的权重参数与 服务端的权 重参数的内积Gk， 再根据单调递增映射 函数fk， 计算pk； fk＝ln(Gk+1) 当Gk＜0时， 令pk＝0； 当Gk≥0时， 令 5.根据权利要求1所述的基于联邦学习的长距离高速公路交通流量预测方法， 其特征 在于， 所述步骤四中， 预测值的衡量指标采用均方误差(MS E)、 均方根误差(RMSE)、 平均绝对 误差(MAE)、 R2； 权　利　要　求　书 2/3 页 3 CN 115115082 A 3