科研之友
微信
新浪微博
Facebook
分享链接
摘要
为实现兼顾偏好异质性与数据隐私化的个体出行推荐，基于模型参数化聚合与分布式训练的联邦学习计算范式，提出了一种联邦混合罗吉特(FMXL)模型，可解构标准MXL模型，以实现本地个体偏好与全局群体差异参数估算的分离；为了消除模型对原始数据的依赖，提出了标准与聚合2种联邦吉布斯抽样算法，通过本地与全局参数的交互，实现模型的层次化联合估计；为了验证所提模型与算法，基于Swiss Metro公开数据集，分别搭建了离线与在线2种出行推荐场景。分析结果表明：针对离线场景，2种联邦吉布斯抽样算法拟合的FMXL模型与标准多项式罗吉特模型相比，其对数似然值分别增大了157.8和153.2,预测率分别提升了12.3%和12.1%;与基于集中式吉布斯抽样算法拟合的MXL模型相比，其计算时间分别缩短了64.2%和76.9%,通信时间均缩短了86.2%;针对在线场景，FMXL模型的对数似然值和预测率均呈上升趋势，且整个估计过程的计算和通信时间均低于标准MXL模型。可见，以数据隐私化处理为前提，MXL模型的联邦化训练既能保证出行推荐的精准性，也能充分调动用户端闲置算力，有效提升出行推荐的时效性，体现了所提模型和算法的高适应和可拓展能力，同时基于联邦异质性模型的个体出行推荐还能有效推进交通系统的智能化进程。
- 单位
