基于蜂群学习的交通拥堵预测方法、系统、设备及介质

本发明涉及蜂群学习，特别是涉及一种基于蜂群学习的交通拥堵预测方法、系统、设备及介质。

背景技术：

1、现在的车辆都配备了车载传感器，能够实时收集各种交通数据，如交通流量、车速和路况等，可以使用这些数据进行交通预测模型训练，实现后续交通拥堵预测。然而，传统的集中式机器学习方法在处理大规模数据时面临着一些挑战。首先，集中式机器学习需要将所有的原始数据收集到中心服务器进行训练和模型合并，这可能涉及大量的数据传输和存储需求，而且可能涉及到隐私和安全的问题。此外，一些数据拥有者可能不愿意共享其敏感数据，限制了集中式机器方法的可行性。其次，集中式机器方法无法适应分布式环境中的数据变化和异构性。在分布式环境中，不同参与方节点的数据分布、数量和质量可能存在差异，导致集中式模型难以适应不同数据特点和变化。

2、为了克服这些问题，蜂群学习应运而生。蜂群学习是一种去中心化的机器学习框架，利用边缘计算和点对点网络技术，在保护隐私数据的同时，实现了安全的模型合并和参数共享。它通过区块链技术确保网络的可信性，并提供了更高级别的数据安全和防护能力，使得参与者能够安全地合作进行机器学习任务，它允许在保护数据隐私的同时，对分散在不同地点的数据进行模型训练和更新。在蜂群学习中，参与方节点(如设备、传感器或边缘节点)在本地进行模型训练，使用本地数据进行学习。然后，通过点对点网络和边缘计算技术，参与方节点之间共享模型参数，实现模型的合并和聚合。相比于集中式机器方法，蜂群学习具有以下优势：

3、1、数据隐私保护：蜂群学习通过本地化的学习和参数共享，避免了原始数据的集中共享。参与方节点只需共享部分模型参数，而无需共享原始数据，从而保护了数据的隐私和安全。

4、2、高效的通信和计算：蜂群学习通过点对点网络和边缘计算，减少了数据传输和计算的开销。参与方节点在本地进行模型训练，只共享模型参数，从而减少了通信量和计算负载。

5、3、自适应模型聚合：蜂群学习允许参与方节点根据其权重自适应地进行模型聚合。

6、但是上述传感器测量的数据直接与驾驶员和车辆的隐私相关，所以他们是非常敏感的，所以在进行交通模型训练时要保证这些数据的隐私，确保驾驶员和车辆的隐私的保护，同时实现更好的交通管理和驾驶体验。

7、但是因为蜂群学习存在以下缺点：

8、1、可扩展性：蜂群学习需要参与方节点之间的密集通信和协作，随着参与方节点数量的增加，系统的复杂性和管理难度也会增加。这可能对系统的可扩展性提出挑战，特别是在动态环境中，参与方节点的加入和退出可能会导致网络的不稳定。

9、2、数据异质性：在蜂群学习中，不同参与方节点的数据分布、规模和质量可能存在差异，这可能导致模型的偏倚或不准确。

10、3、安全和隐私风险：蜂群学习涉及参与方节点之间的模型参数共享和通信，这可能引入安全和隐私风险，未经适当保护的共享参数可能会受到恶意方的攻击，导致信息泄露或模型篡改的风险。

11、这些缺点会导致利用现有蜂群学习在进行数据处理和交通预测模型训练过程中的隐私和安全受到威胁。

技术实现思路

1、本发明的目的是提供一种基于蜂群学习的交通拥堵预测方法、系统、设备及介质，可提高在进行数据处理和交通预测模型训练过程中的隐私性和安全性。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于蜂群学习的交通拥堵预测方法，包括：

4、以车辆作为蜂群网络中的参与方节点，根据所述蜂群网络中各所述参与方节点的交通数据集的大小，确定各所述参与方节点本地模型的鲁棒性值；所述交通数据集的大小为所述交通数据集中数据量的总数；

5、在当前聚合轮数下，根据上一聚合轮数下各所述参与方节点的本地数据可信度以及各所述参与方节点本地模型的鲁棒性值，得到当前聚合轮数下各所述参与方节点的本地数据可信度；

6、根据当前聚合轮数下的机器学习评价指标，得到当前聚合轮数下各所述参与方节点本地模型的可信度；所述机器学习评价指标包括：真正例、假正例和假反例；

7、根据上一聚合轮数下各所述参与方节点的本地数据可信度、上一聚合轮数下各所述参与方节点本地模型的可信度以及上一聚合轮数下各所述参与方节点在各所述参与方节点对应的交通数据集的损失函数，得到当前聚合轮数下各所述参与方节点的本地模型训练评估权重；

8、采用本地化差分隐私技术对当前聚合轮数的局部模型的模型参数进行加噪得到当前聚合轮数下的加噪局部模型；

9、根据当前聚合轮数的局部模型、当前聚合轮数下各所述参与方节点的本地模型训练评估权重以及当前聚合轮数下的加噪局部模型，得到下一聚合轮数下的局部模型；

10、判断当前聚合轮数是否达到设定聚合轮数，得到第一判断结果；

11、若所述第一判断结果为是，则确定下一聚合轮数下的局部模型为交通预测模型，所述交通预测模型用于预测交通拥堵情况；

12、若所述第一判断结果为否，则更新聚合轮数，进入下次聚合。

13、可选的，根据所述蜂群网络中各所述参与方节点的交通数据集的大小，确定各所述参与方节点本地模型的鲁棒性值，具体包括：

14、对于任意一个参与方节点nk，根据公式c(nk)＝logmsnk计算参与方节点nk本地模型的鲁棒性值，其中，c(nk)表示参与方节点nk本地模型的鲁棒性值，m表示所有参与方节点的数据量的总数最大的交通数据集的大小，snk表示参与方节点nk的交通数据集的大小。

15、可选的，根据上一聚合轮数下各所述参与方节点的本地数据可信度以及各所述参与方节点本地模型的鲁棒性值，得到当前聚合轮数下各所述参与方节点的本地数据可信度，具体包括：

16、对于任意一个参与方节点nk，根据公式计算第i个聚合轮数下参与方节点nk的本地数据可信度，其中，ci(nk)表示第i个聚合轮数下参与方节点nk的本地数据可信度，c(nk)表示参与方节点nk本地模型的鲁棒性值，ci-1(nk)表示第i-1个聚合轮数下参与方节点nk的本地数据可信度，n表示蜂群网络中参与方节点的总个数，c(nj)表示参与方节点nj本地模型的鲁棒性值。

17、可选的，根据当前聚合轮数下的机器学习评价指标，得到当前聚合轮数下各所述参与方节点本地模型的可信度，具体包括：

18、对于任意一个参与方节点nk，根据公式计算第i次聚合轮数下参与方节点nk本地模型的可信度，其中，ai(nk)表示第i次聚合轮数下参与方节点nk本地模型的可信度，β表示第一调节参数，tpi表示第i次聚合轮数下的真正例，fpi表示第i次聚合轮数下的假正例，fni表示第i次聚合轮数下的假反例。

19、可选的，根据上一聚合轮数下各所述参与方节点的本地数据可信度、上一聚合轮数下各所述参与方节点本地模型的可信度以及上一聚合轮数下各所述参与方节点在各所述参与方节点对应的交通数据集的损失函数，得到当前聚合轮数下各所述参与方节点的本地模型训练评估权重，具体包括：

20、对于任意一个参与方节点nk，根据公式

21、计算第i次聚合轮数下参与方节点nk的本地模型训练评估权重，其中，wi(nk)表示第i次聚合轮数下参与方节点nk的本地模型训练评估权重，ci-1(nk)表示第i-1个聚合轮数下参与方节点nk的本地数据可信度，ci-1(nj)表示第i-1个聚合轮数下参与方节点nj的本地数据可信度，ai-1(nk)表示第i-1次聚合轮数下参与方节点nk本地模型的可信度，ai-1(nj)表示第i-1次聚合轮数下参与方节点nj本地模型的可信度，n表示蜂群网络中参与方节点的总个数,α表示第二调节参数，exp()表示以e为底的指数函数，li-1(nk)表示第i-1次聚合轮数下参与方节点nk在参与方节点nk对应的交通数据集上的损失函数，wi-1(nk)表示第i-1次聚合轮数下参与方节点nk的本地模型训练评估权重。

22、可选的，根据当前聚合轮数的局部模型、当前聚合轮数下各所述参与方节点的本地模型训练评估权重以及当前聚合轮数下的加噪局部模型，得到下一聚合轮数下的局部模型，具体包括：

23、根据公式计算下一聚合轮数下的局部模型，其中，m(i+1)表示第i+1个聚合轮数下的局部模型，m(i)表示第i个聚合轮数下的局部模型，n表示蜂群网络中参与方节点的总个数，wi(nk)表示第i个聚合轮数下参与方节点nk的本地模型训练评估权重，表示第i个聚合轮数下的加噪局部模型，·表示乘法运算。

24、一种基于蜂群学习的交通拥堵预测系统，包括：

25、鲁棒性值计算模块，以车辆作为蜂群网络中的参与方节点，根据所述蜂群网络中各所述参与方节点的交通数据集的大小，确定各所述参与方节点本地模型的鲁棒性值；所述交通数据集的大小为所述交通数据集中数据量的总数；

26、本地数据可信度计算模块，用于在当前聚合轮数下，根据上一聚合轮数下各所述参与方节点的本地数据可信度以及各所述参与方节点本地模型的鲁棒性值，得到当前聚合轮数下各所述参与方节点的本地数据可信度；

27、本地模型可信度计算模块，用于根据当前聚合轮数下的机器学习评价指标，得到当前聚合轮数下各所述参与方节点本地模型的可信度；所述机器学习评价指标包括：真正例、假正例和假反例；

28、本地模型训练评估权重计算模块，用于根据上一聚合轮数下各所述参与方节点的本地数据可信度、上一聚合轮数下各所述参与方节点本地模型的可信度以及上一聚合轮数下各所述参与方节点在各所述参与方节点对应的交通数据集的损失函数，得到当前聚合轮数下各所述参与方节点的本地模型训练评估权重；

29、本地化差分隐私模块，用于采用本地化差分隐私技术对当前聚合轮数的局部模型的模型参数进行加噪得到当前聚合轮数下的加噪局部模型；

30、局部模型更新模块，用于根据当前聚合轮数的局部模型、当前聚合轮数下各所述参与方节点的本地模型训练评估权重以及当前聚合轮数下的加噪局部模型，得到下一聚合轮数下的局部模型；

31、判断模块，用于判断当前聚合轮数是否达到设定聚合轮数，得到第一判断结果；

32、交通预测模型确定模块，用于若所述第一判断结果为是，则确定下一聚合轮数下的局部模型为交通预测模型，所述交通预测模型用于预测交通拥堵情况；

33、迭代模块，用于若所述第一判断结果为否，则更新聚合轮数，进入下次聚合。

34、可选的，所述鲁棒性值计算模块，具体包括：

35、鲁棒性值计算单元，用于对于任意一个参与方节点nk，根据公式c(nk)＝logmsnk计算参与方节点nk本地模型的鲁棒性值，其中，c(nk)表示参与方节点nk本地模型的鲁棒性值，m表示所有参与方节点的数据量的总数最大的交通数据集的大小，snk表示参与方节点nk的交通数据集的大小。

36、一种电子设备，包括：

37、存储器和处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据上述所述的基于蜂群学习的交通拥堵预测方法。

38、一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的基于蜂群学习的交通拥堵预测方法。

39、根据本发明提供的具体实施例，本发明公开了以下技术效果：

40、以车辆作为蜂群网络中的参与方节点，根据蜂群网络中各参与方节点的交通数据集的大小，确定各参与方节点本地模型的鲁棒性值；在当前聚合轮数下，根据上一聚合轮数下各参与方节点的本地数据可信度以及各参与方节点本地模型的鲁棒性值，得到当前聚合轮数下各参与方节点的本地数据可信度；根据当前聚合轮数下的机器学习评价指标，得到当前聚合轮数下各参与方节点本地模型的可信度；根据上一聚合轮数下各参与方节点的本地数据可信度、上一聚合轮数下各参与方节点本地模型的可信度以及上一聚合轮数下各参与方节点在各参与方节点对应的交通数据集的损失函数，得到当前聚合轮数下各参与方节点的本地模型训练评估权重；采用本地化差分隐私技术对当前聚合轮数的局部模型的模型参数进行加噪得到当前聚合轮数下的加噪局部模型；根据当前聚合轮数的局部模型、当前聚合轮数下各参与方节点的本地模型训练评估权重以及当前聚合轮数下的加噪局部模型，得到下一聚合轮数下的局部模型；判断当前聚合轮数是否达到设定聚合轮数，得到第一判断结果；若第一判断结果为是，则确定下一聚合轮数下的局部模型为交通预测模型，交通预测模型用于预测交通拥堵情况；若第一判断结果为否，则更新聚合轮数，进入下次聚合，本发明采用本地化差分隐私技术对当前聚合轮数的局部模型的模型参数进行加噪保护中间参数的隐私，可提高在进行数据处理和交通预测模型训练过程中的隐私性和安全性。