[發明專利]一種基于聯邦學習與數字孿生的智能交通路徑規劃方法

有效

• 申請號: 202011418422.2
• 申請日: 2020-12-07
• 公開（公告）號: CN112700639B
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 張彥;盧云龍;劉勝利;代玥玥;張科
• 申請（專利權）人: 電子科技大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/0968;H04W4/02;H04W4/40;H04W12/06;G06N20/00
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 李林合

本發明公開了一種基于聯邦學習與數字孿生的智能交通路徑規劃方法，包括以下步驟：S1：在車輛系統進行車輛注冊，并驗證車輛身份信息；S2：根據車輛的本地歷史數據，參與聯邦學習，訓練本地模型；S3：聚合所有車輛的本地模型，得到聚合模型；S4：判斷聚合模型是否收斂至預定精度或超過時間限制，若是進入步驟S5，否則返回步驟S2；S5：建立車聯網全局數字孿生模型；S6：周期性更新車聯網全局數字孿生模型；S7：向路旁單元發起尋路請求，并實時更新最佳路徑及本地預測模型。本發明的規劃方法應用于車聯網領域，以解決當前道路交通系統中流量預測和路徑規劃準確率低、時延高且存在隱私泄露風險的問題。

技術領域

本發明屬于車聯網技術領域，具體涉及一種基于聯邦學習與數字孿生的智能交通路徑規劃方法。

背景技術

現實生活中，數字孿生正在與人工智能技術深度結合，促進信息空間與物理空間的實時交互與融合，以在信息化平臺內進行更加真實的數字化模擬，并實現更廣泛的應用。將數字孿生系統與機器學習框架學習結合，數字孿生系統可以根據多重的反饋源數據進行自我學習，從而幾乎實時地在數字世界里呈現物理實體的真實狀況，并能夠對即將發生的事件進行推測和預演。

然而，數字孿生技術同時也面臨著諸多挑戰。首先，網絡的數字孿生鏡像需要周期性地從設備中收集大量數據表。其次，網絡的虛擬鏡像需要和實體網之間進行頻繁的通信以保證信息的實時性。此外，由于通信鏈路的無線的，會受到諸多干擾，可能會導致數據傳輸時間較長等問題。

然而，現有研究普遍存在以下問題：(1)由于車聯網拓撲的變化復雜多樣以及通信狀態的不穩定和帶寬緊缺，當前方案無法實時的收集車輛運行狀態和路況信息，導致現有決策機制難以依據網絡參數的動態變化，實時做出有效的決策；(2)由于路旁單元存儲限制和通信范圍限制，決策所依賴的數據規模較為有限，導致預測模型的準確率有待提升?，F有方案缺乏對更大規模的協同決策機制所進行的研究，導致決策的準確率難以滿足要求；(3)車輛和用戶所產生的數據存在較高的隱私泄露風險。由于車聯網中所產生的數據可能包含用戶敏感信息，現有方案在數據傳輸以及處理過程中存在較高的泄露風險。

因此，如何針對車聯網動態變化的特點，建立一套安全可靠、智能高效的智能交通決策機制，在提升決策效率和準確率的同時，保護用戶的數據隱私，是本發明的研究重點。

發明內容

本發明的目的是為了解決建立安全可靠、智能高效的智能交通決策機制的問題，提出了一種基于聯邦學習與數字孿生的智能交通路徑規劃方法。

本發明的技術方案是：一種基于聯邦學習與數字孿生的智能交通路徑規劃方法包括以下步驟：

S1：在車輛系統進行車輛注冊，并驗證車輛身份信息；

S2：根據驗證通過車輛c_r的本地歷史數據D_i，參與聯邦學習，訓練本地模型m_i；

S3：利用路旁單元R_k的邊緣服務器聚合所有車輛c_r的本地模型m_i，得到聚合模型M_k；

S4：重復步驟S2-S3，判斷聚合模型M_k是否收斂至預定精度θ_th或超過時間限制T_th，若是進入步驟S5，否則返回步驟S2；

S5：更新車輛c_r的實時本地狀態S′_i至路旁單元R_k，并利用多個路旁單元R_k建立車聯網全局數字孿生模型G(t)；

S6：利用路旁單元R_k，周期性更新車聯網全局數字孿生模型G(t)；