Federated Transfer Learning for Privacy-Preserved Cross-City Traffic Flow Prediction
Notice bibliographique
Résumé
Accurate future traffic flow prediction is essential for decision-making in travel recommendations and route planning, aiming to reduce congestion and enhance traffic safety. Traditional traffic flow prediction models often face limitations in quality and structure, leading to increased training costs and inefficiencies, due to data scarcity and centralized training modes that compromise data privacy. To address these issues, we propose a model called 2MGTCN, which combines Multi-modal Graph Convolutional Networks (GCN) and Temporal Convolutional Networks (TCN) for Cross-city Traffic Flow Prediction (TFP). Our 2MGTCN model utilizes federated transfer learning (FTL) to transfer the model from the source to the target domain, mitigating data scarcity. It also incorporates GCN and TCN to capture both spatial and temporal information, enhancing cross-city adaptability. Additionally, Grey Relation Analysis (GRA) and Dynamic Time Warping (DTW) methods are applied to capture road relationships, and a Federated Parameter Aggregation based on Spatial Similarity (FPASS) algorithm is proposed for ensuring effective parameter aggregation by considering spatial similarity. Simulation results show that our 2MGTCN algorithm outperforms traditional TFP models in both centralized and distributed training modes, ensuring higher accuracy and better privacy protection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».