(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 202210699512.6 (22)申请日 2022.06.20 (71)申请人 东北大学秦皇岛分校 地址 066000 河北省秦皇岛市经济技 术开 发区泰山路143号 (72)发明人 袁晓铭　陈家辉　田汉森　杨佳雨　 刘立卿　 (74)专利代理 机构 安徽升知专利代理事务所 (普通合伙) 3426 3 专利代理师 张生梅 (51)Int.Cl. G06N 20/20(2019.01) G06N 3/04(2006.01) G06F 21/62(2013.01) G06N 3/08(2006.01) (54)发明名称 一种用于交通状态估计的联邦学习算法 (57)摘要 本发明提供一种用于交通状态估计的联邦 学习算法， 涉及交通状态监管领域。 该用于交通 状态估计的联邦学习算法， 包括以下步骤： S1、 构 建LSTM； S2、 发送给各个RS U； S3、 模型训练； S4、 利 用A3C算法强化学习算法进行参数上传以及下载 策略的分配； S5、 各个RS U模型根据参数上传以及 下载策略， 选择是否将模型参数发送给服务器或 者从服务器下载最新的模型参数以继续训练； S6、 参数聚合并计算成本； S7、 重复步骤S2 ‑S6； S8、 得到预测结果以及成本。 通过长短时记忆 (LSTM)模型提取交通状态的时间相关性， 并估计 交通流量及 道路车速两种交通状态指标， 解决了 基于联邦学习的交通状态估计研究网络资源分 配不合理、 客户端参与联邦学习不均衡的问题。 权利要求书1页 说明书4页 附图3页 CN 114925857 A 2022.08.19 CN 114925857 A 1.一种用于交通状态估计的联邦学习算法， 其特 征在于： 包括以下步骤： S1、 构建LSTM以学习历史的交通数据的时间关联性； S2、 服务器将全局的LSTM模型发送给 各个RSU； S3、 模型训练； S4、 服务器根据系 统当前的计算与通信资源状态、 以及各个RSU的位置， 利用异步的优 势行动者评论家算法A3C， 强化学习算法自适应地根据环境变化进行参数上传以及下载策 略的分配； S5、 各个RSU模型根据参数上传以及下载策略， 选择是否将模型参数发送给服务器或者 从服务器下载最新的模型参数以继续训练； S6、 服务器进行参数聚合并计算系统消耗的成本； S7、 重复步骤S2 ‑S6； S8、 得到预测结果以及系统消耗的成本 。权　利　要　求　书 1/1 页 2 CN 114925857 A 2一种用于交通状态估计的联邦学习算法 技术领域 [0001]本发明涉及交通状态监管技术领域， 具体为一种用于交通状态估计的联邦学习算 法。 背景技术 [0002]交通拥堵是城市化进程中不可避免的一个问题， 过度的交通拥堵导致了汽车尾气 排放的增加， 降低了交通流动效率， 准确的交通状态估计(Traffic  State Estimation, TSE)对于管理车辆交通和通过监测一些关键车辆指标(如 空间速度)来减少车辆交通和减 少拥堵是必 要的， 然而， 传统的交通状态估计模型一般都是集中式的框架， 即通过路侧单元 (Road Side Units,RSUs)将收集上的车辆交通数据统一发送给集中式服务器以供模型训 练， 然而， 分布式的RSUs一般都不同的机构所掌握， 这些机构出于用户数据的 隐私性并不进 行数据共享， 使得模型的训练效果大 大降低， 导 致交通状态估计精确不高。 [0003]近年来， 为了解决分布式数据 机构产生的数据孤岛以及 集中式数据收集模式带来 的隐私泄露的问题， 联邦学习将机器学习模型分布式地部署在RSU上， 各自的RSU被视为客 户端， 只采用自身收集的数据训练本地模型， 只发送模型的参数到服务器， 以进 行模型参数 聚合， 服务器将聚合后的参数发送给RSUs以继续进行模型训练， 这一过程并没有泄露原始 数据给第三方， 很好 地保护了隐私并提高了训练效率。 [0004]但是， 大多数现有的联邦学习用于交通状态估计研究成果在考虑数据 隐私前提 下， 单一追求最大化机器学习模型的预测精度， 并且交通状态预测指标较为单一， 而交通状 态指标除了交通流外， 道路车辆速度也能够反 映道路的拥堵程度， 因此能够估计多个交通 指标也是十 分关键的， 联邦学习过程中， 由于系统有限的资源， 参数传输需要 带宽等通讯资 源， 而模型的训练需要消耗CPU或GPU的计算资源， 使得高效且动态地为联邦学习分配合理 的网络资源是非常有必 要的， 与此同时， 联邦学习过程中， 客户端自己有权决定是否参与联 邦学习， 因此客户端参与联邦学习不均衡的问题 也同样影响着交通状态预测效果以及系统 所消耗的成本 。 发明内容 [0005]针对现有技术的不足， 本发明提供了一种用于交通状态估计的联邦学习算法， 解 决了基于联邦学习的交通状态估计研究网络资源分配不合理、 以及客户端参与联邦学习不 均衡的问题。 [0006]为实现以上目的， 本发明通过以下技术方案予以实现： 一种用于交通状态估计的 联邦学习算法， 包括以下步骤： [0007]S1、 构建长短时记忆(Long  Short‑Term Memory， LSTM)以学习历史的交通数据的 时间关联性； [0008]S2、 服务器将全局的LSTM模型发送给 各个RSU； [0009]S3、 模型训练；说　明　书 1/4 页 3 CN 114925857 A 3