May, 2023

平衡出租车需求预测中时空数据的隐私和实用性

PDF
TL;DR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。
machine learningfederated learningtaxi-demand predictionprivacysecurity
发现论文，激发创造
  • 一模適用於所有地區的計程車需求預測

    通过应用图神经网络捕捉城市环境中的空间依赖性和模式，本研究提出了一种新颖的出租车需求预测系统。该系统采用区域中立的方法，利用变分自编码器将输入特征分解为区域特定和区域中立的组件，以实现跨区域出租车需求预测并推广到不同城市区域。实验证明了该系统在准确预测出租车需求方面的有效性，甚至在以前观察不到的区域，从而展示了其优化出租车服务和提高交通效率的潜力。

    Oct, 2023

  • 面向时空移动应用的联邦学习模型调查

    本文综述了现有文献中所提出的基于联邦学习的预测人类移动性、交通预测、社区探测、基于位置的推荐系统和其他时空任务的模型，阐述了这些模型所使用的指标和数据集，并与中心化模型进行比较。最后，讨论了在分散式学习中应用时空模型所面临的挑战，并提出了未来研究的机会和方向。

    May, 2023

  • 出租车需求预测的深度多视图时空网络

    该研究提出一种基于深度学习的 Deep Multi-View Spatial-Temporal Network (DMVST-Net) 框架，用于在城市的出租车运营中预测需求，包括空间和时间相关性，并借助大数据的支持，提高了交通预测问题的效果。

    Feb, 2018

  • 利用 Transformer 模型融合多源交通需求数据进行城市停车预测

    基于时空深度学习和多源数据融合的停车可用性预测框架提供了更准确和及时的信息，促进了更高效和可持续的城市出行。

    May, 2024

  • 基于 Transformer 的联邦学习的智能电网安全短期负荷预测

    本文介绍了一种基于 Transformer 的深度学习方法，利用联邦学习进行短期电力负荷预测，模型的性能超过了长短时记忆模型和卷积神经网络，是联邦学习中值得期待的一个替代方案。

    Oct, 2023

  • 联邦气象预测的时空提示学习

    通过搭建一个基于联邦学习的时空气象数据预测分析框架，本研究在一个去中心化的环境下建立了一个空间 - 时间的气象数据模型，实现了低成本、高效率、安全共享的监督学习和知识融合。在共享大型的融合模型同时，每个参与者还可根据不同的地理位置获取个性化的定制模型来应对气候变化。实验结果表明，该方法可以有效地优化经典气象预测任务。

    May, 2023

  • 基于时空深度学习的即需打车服务乘客需求短期预测

    通过深度学习技术在考虑时空相关性的情况下，提出了融合卷积长短时记忆网络的方法，用于预测中国杭州地区共享出行平台的短期客流需求，通过实验证实了该方法相较于传统方法的更高预测精度。

    Jun, 2017

  • FedGeo: 隐私保护用户下一位置预测与联邦学习

    用户下一位置预测是一项不可或缺的任务，先前的研究使用大规模轨迹数据集在单个服务器上取得了显著成果，但由于隐私问题的限制，联邦学习作为解决个人隐私问题的方法已经出现，并采用联合训练多个客户端、聚合它们的策略，本研究提出了专门用于用户下一位置预测的联邦学习框架，以减轻客户端移动性异质性带来的问题并保护个人隐私。

    Dec, 2023

  • 5G 基站流量预测的联邦学习

    本文研究联邦学习应用于基站聚合 LTE 数据的时序预测的有效性。我们使用 5 种不同的神经网络架构在联邦设置下进行一步预测，结果表明：适应联邦设置的学习架构与集中式设置具有相当的预测误差，基站的预处理技术导致更高的预测准确性，而现代聚合器并不比简单的方法好。

    Nov, 2022

  • 面向能量感知的蜂窝网络联合流量预测

    通过提出一个可评估机器学习模型可行性的新方法，本文在实际基站测量的基础上，对巴塞罗那地区的联邦学习场景中使用的最先进的深度学习体系结构进行全面评估，发现较大的机器学习模型在性能上略有提升，但在碳足迹方面产生了显著的环境影响，使其在实际应用中不切实际。

    Sep, 2023