Jul, 2022

GOF-TTE：面向出行时间估计的生成式在线联邦学习框架

PDF
TL;DR介绍了 GOF-TTE 移动用户群的生成式联邦学习框架，旨在利用联邦学习方法建立实时道路交通状态的模型，保护用户隐私并训练个性化的模型来预测路程的时间估计。
travel time estimationfederated learninggenerative modelreal-time traffic stateprivacy safety
发现论文，激发创造
  • 基于深度元学习的多城市场景下细粒度轨迹旅行时间估计

    通过提出一种基于元学习和深度神经网络的框架 MetaTTE，可以进行多城市场景下轨迹基准的旅行时间精细估计。该方法可以解决复杂的时空依赖性挑战，并能够在未来应对交通条件和道路网络变化的一致性性能，实验结果证明其性能优于六种现有基线模型。

    Jan, 2022

  • 从稀疏轨迹估计行程时间和路径

    该论文针对 IoT 技术下数据采样不足的情况，提出了一种基于 EM 算法的不完全监督模型，通过粗略标记数据，同时解决旅行时间估计和路径恢复问题，实现更高精度的路径推断和更准确的时间预测。

    Jun, 2022

  • GCT-TTE: 旅行时间估计的图卷积变压器

    该研究提出了一种基于 Transformer 的模型，用于解决旅行时间估计问题，利用不同的数据模式捕捉输入路径的不同属性并在路径感知和路径盲设置上进行了测试，在两个数据集上性能均优于现有模型，并部署为可访问的 Web 服务。

    Jun, 2023

  • 隐私保护交通流量预测：一种联邦学习方法

    提出了一种名为 FedGRU 的新算法，该算法采用联邦学习机制，通过机器学习实现交通流量预测，在保护隐私的同时提高了预测准确性。

    Mar, 2020

  • 基于多任务弱监督学习的起点终点旅行时间估计

    本文提出一种基于道路网络的 OD 行程旅行时间估计方法，结合迁移概率、路段和交叉口的旅行时间和路线恢复等技术，提出了多任务弱监督学习框架，该框架同时针对路段和交叉口优化期望对数似然函数，从而解决了 GPS 轨迹缺失的问题，实验验证了该方法对旅行时间估计和路线恢复的有效性。

    Jan, 2023

  • 隐私保护数据融合的交通状态估计：一种垂直联邦学习方法

    本文提出了一种用于交通状态估计（TSE）的隐私保护数据融合方法，该方法可以解决多个数据所有者之间的协作和数据共享中出现的数据隐私问题，并通过垂直联邦学习（FL）和保护隐私的物理信息 FL 方法实现了协作训练和应用 TSE 模型而无需交换私有数据。实证结果表明，提出的方法能够在保护隐私的同时保持与不考虑隐私的标准方法类似的准确性。

    Jan, 2024

  • 基于联邦学习的车辆轨迹抗网络攻击预测

    本文提出了一种基于联邦学习的车辆轨迹预测算法 FL-TP，以应对物联网汽车系统中的网络安全问题，并通过公开可用的 VeReMi 数据集进行了测试，结果表明，该算法可以在最大的网络攻击渗透性场景下，将攻击检测和轨迹预测的准确性提高达 6.99％和 54.86％。

    Jun, 2023

  • 平衡出租车需求预测中时空数据的隐私和实用性

    本文提出使用联邦学习在保护数据隐私和安全的同时，实现出租车需求预测，包括类别不平衡、数据稀缺等技术上的挑战，并通过地理编码、代价敏感学习和正则化等技术来提高预测精度。在 16 个租车服务提供商的真实世界数据集上，显示该系统相对于单个集成数据训练的模型可以精确预测出租车需求级别实际误差达到 1％，同时有效抵御了针对乘客数据的成员推断攻击。

    May, 2023

  • 基于时空的联邦学习在分布式边缘上进行寿命期个体识别

    该论文提出了一种名为 FedSTIL 的联合时空增量学习方法，可以解决在将人物再辨识模型部署到现实设备时面临的数据漂移问题，同时在多个分布式边缘客户端上不断优化模型。

    Jul, 2022

  • FDTI：基于路网增强的图网络的细粒度深度交通推断

    本文提出了 Fine-grained Deep Traffic Inference (FDTI) 模型，通过构建交通信号为基础的细粒度交通图、物理可解释动态移动卷积模块和交通流守恒，以预测城市细粒度交通流量，并在实验中证明了该模型优于现有方法。

    Jun, 2023