基于联邦学习的隐私保护区域交通流量预测模型

作者：栗维勋; 马斌; 孙广辉; 栗会峰; 马力; 刘昕禹; 徐剑

来源：中国电子科学研究院学报, 2023, 18(09): 830-839.

• 区域交通流量预测
• 联邦学习
• 隐私保护

区域交通流量预测是智慧交通系统的一项重要功能。联邦学习可以支持多位置服务提供商(Location Service Provider, LSP)的联合训练，使得训练数据集可以更加全面地覆盖整个区域的交通流量，提高预测准确率。但是，当前基于联邦学习的区域交通流量预测方案存在车辆数据去重、训练节点背叛以及隐私泄露等问题。为此，构建了基于联邦学习的隐私保护区域交通流量预测(Privacy-Preserving Regional Traffic Flow Prediction based on Federated Learning, PPRTFP-FL)模型。模型采用中心部署架构，由联邦中央服务器协调各个LSP联合完成模型的训练，并对全局模型进行梯度聚合与模型更新；采用交叉评价加权聚合的策略来防御部分不可信节点对全局模型的恶意攻击，提升了全局模型的鲁棒性；预测阶段使用同态加密聚合算法，各LSP在不泄露自身运营数据的情况下实现了更准确的流量预测。利用相关数据集进行测试，测试结果表明当训练数据集覆盖区域流量充分的情况下，本模型相比本地模型的预测准确率有明显的提升。对模型进行不同比例的恶意节点攻击实验，由实验结果可知，系统在存在恶意节点情况(当恶意节点数量小于总节点数量50%时)下仍具备较好的防御效果。

• 单位
  东北大学; 北京科东电力控制系统有限责任公司; 国网电力科学研究院有限公司