[發明專利]一種車聯網模型訓練方法及可讀存儲介質

在審

• 申請號: 202211536257.X
• 申請日: 2022-12-01
• 公開（公告）號: CN115988448A
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 章航嘉;鄭鑫宇;婁君杰;吳立棟
• 申請（專利權）人: 寧波均勝智能汽車技術研究院有限公司
• 主分類號: H04W4/40
• 分類號: H04W4/40;H04W12/02;H04L41/16
• 代理公司: 浙江中桓凱通專利代理有限公司 33376
• 代理人: 謝英

1.一種實現隱私保護和資源優化的車聯網模型訓練方法，其特征在于，所述車聯網模型訓練方法用于控制車聯網模型訓練系統；

所述車聯網模型訓練系統包括：

智能交通系統；

至少一輛智能車輛，所述至少一輛智能車輛內設有本地計算及環境模塊和傳感模塊，且所述至少一輛智能車輛連接所述智能交通系統；

隱私保護模塊，所述隱私保護模塊由多個路邊單元集合組成；

資源優化模塊，所述資源優化模塊設有全局模型聚合模塊，所述全局模型聚合模塊連接所述隱私保護模塊；

所述車聯網模型訓練方法具體包括：

步驟S100：所述智能交通系統向所述多個路邊單元發送全局模型智能車輛子集以及全局任務T_i，所述多個路邊單元將所述全局模型依次發送至所述智能車輛子集內對應的所述智能車輛；

步驟S200：通過所述傳感模塊收集道路信息和視頻信息，根據所述全局任務T_i，將適用所述全局任務的所述道路信息、所述視頻信息以及所述智能車輛數據整合成本地模型發送至所述路邊單元；

步驟S300：每個所述路邊單元將所述智能車輛發送的所述本地模型進行中間聚合，形成中間聚合模型；

步驟S400：多個所述路邊單元將所述中間聚合模型發送至全局模型聚合模塊得到下一次全局模型且將所述下一次全局模型作為下一次全局任務T_i+1的初始模型；

其中，i為當前通信回合數。

2.根據權利要求1所述的車聯網模型訓練方法，其特征在于，所述步驟S200具體包括：

步驟S210：所述智能車輛開啟無線通訊接收連接所述智能交通系統接收所述全局任務T_i；

步驟S220：根據所述全局任務T_i選擇對應的所述道路信息、所述視頻信息以及所述智能車輛數據集合成為本地資源狀態

步驟S230：根據所述本地資源狀態以所述全局任務T_i中設定的最小損失minfw為訓練目的，從而獲得本地模型其中，最小損失|μ_IV-k|為第k輛所述智能車輛參與該通信回合建立的數據集的數據量，x_i為本地資源狀態處理后的向量形式，y_i為數據向量對應的標簽，w為本地模型的權重向量，l為優化方式；

步驟S240：上傳所述本地資源狀態和所述本地模型至所述路邊單元。

3.根據權利要求2所述的車聯網模型訓練方法，其特征在于，所述步驟S300具體包括：

步驟S310：所述路邊單元接收所述本地資源狀態和所述本地模型

步驟S320：對接收的所述本地模型進行中間聚合形成中間聚合模型；其中，中間聚合模型

其中，N_IV為智能車輛子集。

4.根據權利要求3所述的車聯網模型訓練方法，其特征在于，所述步驟S400具體包括：

步驟S410：多個所述路邊單元將所述中間聚合模型發送至所述全局模型聚合模塊；

步驟S420：所述全局模型聚合模塊將多個所述中間聚合模型聚合得到所述下一次全局模型其中，所述下一次全局模型N_RSU為路邊單元的數量；

步驟S430：將所述下一次全局模型作為下一次全局任務T_i+1的初始模型。

5.根據權利要求4所述的車聯網模型訓練方法，其特征在于，所述步驟S100之前還包括：

步驟S10：設定目標精度；

步驟S20：當所述全局模型未達到所述目標精度，則重復所述步驟S100、所述步驟S200、所述步驟S300以及所述步驟S400。

6.根據權利要求5任一項所述的車聯網模型訓練方法，其特征在于，步驟S10之前還包括：

所述智能交通系統向所述資源優化模塊發送初始全局任務T₁，所述資源優化模塊根據所述初始全局任務T₁建立初始全局模型