(19)中华 人民共和国 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 202111601256.4 (22)申请日 2021.12.24 (71)申请人 北京航空航天大 学 地址 100083 北京市海淀区学院路37号 (72)发明人 于海洋　梁育豪　任毅龙　赵亚楠　 兰征兴　 (74)专利代理 机构 北京佳信天和知识产权代理 事务所(普通 合伙) 11939 代理人 张宏伟 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/26(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于联邦学习的大范围路网交通流状 态预测方法 (57)摘要 本公开涉及一种基于联邦学习的大范围路 网交通流状态预测方案， 其特征在于， 包括： 步骤 一、 构建有向图； 步骤二、 建立初始模型； 步骤三、 随后使用反向传播算法更新训练参数； 步骤四、 使用联邦平均算法得到预测结果。 基于上述方 法， 将大范围路网分解成若干子网， 每个子网中 的若干基站收集一段时间内一定范围内车辆的 交通流特性， 并且每一个基站当成联邦学习当中 的一个参与者， 让他们分别接收全局模型， 在局 部使用自己的数据集对当前子网交通流预测模 型进行训练， 随后再上传至服务器进行全局聚 合， 并由服务器进行路网未来状态进行预测。 不 仅能够有效的降低服务器的运算成本， 还能够使 模型的训练效率更高， 预测效果更好。 权利要求书2页 说明书5页 附图1页 CN 114266406 A 2022.04.01 CN 114266406 A 1.一种基于联邦学习的大 范围路网交通 流状态预测方法， 其特 征在于， 包括： 步骤一、 构建有向图 将大范围路网模拟成一个有向图G＝(V， E)， 其中V是点集， 将交叉口模拟成有向图当中 的顶点， E是边集， 将两个交叉口之间的路段模拟成有向边。 根据实际的交通路网物理特征 将路网分割成n个不相交有向子图的划分 步骤二、 建立初始模型 对于每个子网 按时间间隔Δt分割时间段所得到的段数记为T， 每一个基站通 过采集车辆传递的GPS信息， 数据集张成一个矩阵 N表示时序序列的数量； 建立 门由T个GRU串联而成控循环单元， ht为第t个GRU单元输出； 将hT作为全连接神经网络的输 入， 输入到网络当中进行训练得到预测结果 步骤三、 随后使用反向传播 算法更新训练参数 对于全连接神经网络的参数和门控循环单元的参数使用反 向传播算法更新训练； 其中 所述反向传播 算法的损失函数 其中， v为训练集当中的真实值； 经过若干次前向传播和反向传播， 得到训练好的参数集合 将参数集合 发送给 服务器； 步骤四、 使用联邦平均算法得到预测结果 对于每一个子网Gq， 使用联邦平均算法更新全局模型： 其中， | BSq|为当前子网参与 联邦学习的所有基站数量之和， i为基站标号； 每个子网Gq的全局模型 得到更新之后， 使用 所确定的门控循环单元以及全连接神经网络构建全局预测模型； 使 用存储好的历史 交通流数据Ω输入到模型当中， 得到预测结果 2.根据权利要求1所述的一种基于联邦学习的大范围路网交通流状态预测方法， 其特 征在于， 在所述 步骤二中， 所述门控循环单元中， Wr， Wz， W， Ur， Uz， U为需要训练的权重参数矩阵， ht为第t个GRU单元 输出， xt为矩阵X的列向量； 向前传播公式为： rt＝σ(Wrxt+Urht‑1)； zt＝σ(Wzxt+Uzht‑1)； 其中函数为： 门控循环单元的输出 将hT作为全连接神经网络的输入， 输入到网络当中进行 训练； W(i)是全连接神经网络第i层的权重矩阵， b(i)是第i层的偏置， z(i)是第i层的输出， a(i ‑1)是第i层的输入； 目标函数限定为v＝WTy+b， 则对第i层向前传播的公式为： z(i)＝W(i)a(i‑1) +b(i)； a(i)＝σ(z(i))， 且a(0)＝hT； 当隐藏层 层数l＝1， 预测的结果 3.根据权利要求3所述的一种基于联邦学习的大范围路网交通流状态预测方法， 其特权　利　要　求　书 1/2 页 2 CN 114266406 A 2征在于， 在所述 步骤三中， 对于门控循环单 元的参数Wr， Wz， W， Ur， Uz， U使用反向传播进行训练， 公式如下： 其中： 经 过 若 干 次 前 向 传 播 和 反 向 传 播 ， 能 够 得 到 一 组 训 练 好 的 参 数 集 合 权　利　要　求　书 2/2 页 3 CN 114266406 A 3