一种基于区块链和联邦学习融合的交通流预测方法

来源：电子与信息学报杂志2024年第9期北京时间：

作者：智慧, 段苗苗, 杨利霞, 黄彧, 费洁, 王雅宁

单位：1.安徽大学电子信息工程学院 合肥 2306012.安徽大学智能计算与信号处理教育部重点实验室 合肥 230601

摘要：智能交通领域中实时准确地交通流预测一直是城市发展中的重中之重，这对提高路网运行效率起着至关重要的作用。现有的交通流预测方法大多是基于机器学习的，忽略了客户端不愿意参与预测任务或者为获得高奖励而撒谎的情况，从而在模型聚合时导致交通流预测的准确率下降。该文提出一种基于区块链和联邦学习融合的交通流预测方法(TFPM-BFL)来解决这一问题。在该方法中，利用加入了注意机制的长短期记忆网络(LSTM)模型进行本地预测，提高预测准确率；设计了基于信誉评定的激励机制，通过评估客户端上传的模型质量得到本地和局部信誉值，根据信誉值评定结果进行奖励分配，从而激励客户端参与联邦学习(FL)；边缘服务器(ES)采用基于信誉值和压缩率的模型聚合方法来提高模型聚合质量。仿真结果表明，TFPM-BFL能够实现准确、及时地交通流预测，在保证底层数据私密的同时可以有效地激励客户端参与联邦学习任务，而且可以实现高质量的模型聚合。

关键词：交通流预测, 联邦学习, 区块链, 激励机制

基金资助：国家自然科学基金(62001001, U21A20457, 62071003, 41874174, 61901004)，安徽省高新领域重点研发计划(202304a05020011)，安徽省研究生教育质量工程项目(2023qygzz005)，安徽省高校自然学科研究项目(2022AH050109)；安徽省自然科学基金项目(2008085MF186)，安徽省高校协同创新项目(GXXT-2020-050)；安徽省高校国防科技与协同创新项目(GXXT-2021-028)