May, 2023
平衡出租车需求预测中时空数据的隐私和实用性
Balancing Privacy and Utility of Spatio-Temporal Data for Taxi-Demand Prediction
Yumeki Goto, Tomoya Matsumoto, Hamada Rizk, Naoto Yanai, Hirozumi Yamaguchi
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。