基于联邦学习与异步图卷积网络的交通流预测模型FLAGCN：优化时空依赖性与计算效率的创新框架

本研究针对智能交通系统(ITS)中实时交通流预测的精度与效率平衡难题，提出融合联邦学习(FL)与异步图卷积网络(AGCN)的FLAGCN模型。通过创新的子图划分策略和GraphFL参数更新机制，在METR-LA/PEMS08数据集上实现RMSE降低6.85%、训练时间缩短至5.02秒的突破，为分布式交通预测提供了兼顾准确性(R2=0.91)与部署效率的解决方案。

　　

随着城市化进程加速，交通拥堵已成为困扰现代社会的顽疾。传统交通管理系统面临两大核心挑战：一方面，集中式深度学习模型如DCRNN需要海量数据传输，导致高昂的通信成本；另一方面，现有联邦学习方案难以捕捉交通数据中复杂的时空关联性。这些瓶颈严重制约了智能交通系统(ITS)的实时响应能力。

为解决这一难题，国内研究人员开发了名为FLAGCN的创新框架。该模型创造性地将联邦学习(FL)与异步图卷积网络(AGCN)相结合，通过三项关键技术突破：采用Metis/Graclu算法进行拓扑感知的子图划分，设计GraphFL策略实现参数分层聚合，构建自适应异步时空相关矩阵(ASTCM)来捕捉动态依赖关系。在METR-LA和PEMS08数据集上的实验表明，FLAGCN在保持预测精度(R²=0.91)的同时，将训练时间压缩至传统模型的3.6%，相关成果发表在《Array》期刊。

研究方法上，团队首先利用图聚类算法将交通网络划分为9-10个子图，每个子图作为独立训练客户端。通过异步时空图卷积层处理局部数据，采用门控融合机制防止过平滑现象。全局模型通过加权聚合各子图参数，其中创新性地引入张量分解技术将ASTCM参数从O(m²)降至O(m)。实验设置包含6-20个子图数量对比，最终选择在通信成本(降低47%)与精度间取得平衡的配置。

研究结果部分显示：1）在模型架构验证中，8个空间图构建的异步时空图展现出最佳性能，MAE降至2.17；2）子图划分实验证实，9子图配置使METR-LA数据集推理时间缩短至0.45秒；3）横向对比中，FLAGCN的MAPE指标较最优基线降低20.45%，同时训练效率提升27倍；4）消融研究表明，GraphFL策略有效保留了92.3%的局部空间相关性。

讨论部分指出，该研究的创新性体现在三个方面：首次将异步计算引入交通预测的联邦学习框架，提出基于拓扑结构的动态子图划分方法，开发参数高效的时空相关性建模技术。尽管当前模型在固定路网场景表现优异，作者也坦承其在动态拓扑适应性和异构设备兼容性方面的局限。未来工作将探索实时图重连机制与多模态交通数据融合，推动智慧城市管理系统向更高效、更鲁棒的方向发展。这项研究不仅为分布式交通预测设立了新基准，其提出的GraphFL框架更为图数据处理领域的联邦学习提供了普适性解决方案。