本技术提供一种交通预测方法、系统、服务器及可读存储介质,所述方法包括:从客户端收集的个体轨迹数据中提取与道路网络相关的空间特征。利用图卷积网络处理这些特征,并将其嵌入全局模型以捕获路网的空间依赖性。同时,结合时间信息,通过图卷积网络和时间注意力机制生成时空特征,更新全局模型以反映最新交通状态。客户端基于个体轨迹构建个性化模型,并通过差分隐私技术添加噪声,保护用户隐私,然后将模型参数上传至中央服务器。服务器采用联邦学习策略,对客户端上传的模型进行加权平均和聚合,生成更新的全局模型。通过本发明,利用联邦学习和图卷积网络提升行驶时间预测准确性,同时确保用户隐私和模型实时更新。
背景技术
随着人工智能技术的飞速发展,GPS(全球定位系统)、传感器等技术的不断进步,海量的轨迹数据变得容易获得。这些技术的发展为分析和挖掘轨迹数据提供了基础,使得对行驶时间的预测成为可能。在交通流量预测、位置推荐以及智慧城市建设等方面,行驶时间预测技术扮演者重要角色。现有技术,通常使用基于道路段的方法、基于路径的方法、基于深度学习的方法或基于图神经网络的方法进行行驶时间估计。
尽管现有技术在行驶时间预测方面取得了一定的进展,但仍存在技术缺陷:现有的预测技术对路网中路段和交叉口之间复杂关系的考虑不足,导致预测精度受限;同时,由于数据处理时模型训练时间长、传输成本高,存在数据隐私泄露风险以及实时性和动态适应性不足,难以快速响应交通状况变化。
实现思路