基于联邦学习与深度确定性策略梯度的车辆轨迹预测方法FedDDPG：解决非独立同分布数据下的隐私保护与预测精度提升

针对车联网(IoV)中车辆轨迹预测(VTP)面临的分布式数据收集难、轨迹隐私保护及噪声干扰等挑战，研究人员提出基于强化学习(RL)的联邦学习(FL)优化方案FedDDPG。该方法通过深度确定性策略梯度(DDPG)动态生成聚合权重，在NGSIM数据集实验中显著提升非独立同分布(non-IID)场景下的预测精度（RMSE降低12.3%），同时保持较低通信开销，为智能交通系统的安全决策提供新思路。

　　

在智能交通系统快速发展的今天，车辆轨迹预测(Vehicle Trajectory Prediction, VTP)技术已成为保障行车安全的关键支撑。通过准确预测周边车辆的行驶轨迹，智能网联汽车(Connected and Automated Vehicles, CAVs)能够提前规划路径，有效避免交通事故。然而，这一技术在实际应用中面临两大难题：一方面，轨迹数据分散在不同路侧单元(Roadside Units, RSUs)中，存在严重的非独立同分布(non-IID)特性；另一方面，轨迹数据涉及用户隐私，传统集中式训练模式存在隐私泄露风险。更棘手的是，RSUs采集的轨迹数据常包含不同程度的噪声干扰，这对预测模型的鲁棒性提出了更高要求。

针对这些挑战，研究人员创新性地将联邦学习(Federated Learning, FL)与强化学习(Reinforcement Learning, RL)相结合，提出名为FedDDPG的新型解决方案。该方法的核心突破在于将FL中的权重聚合问题建模为马尔可夫决策过程(Markov Decision Process, MDP)，并采用深度确定性策略梯度(Deep Deterministic Policy Gradient, DDPG)算法动态优化聚合权重。通过设计包含客户端损失函数、数据量和模型相似度等要素的状态空间，以及融合优化奖励和误差奖励的复合奖励机制，FedDDPG能够智能调整不同客户端的贡献权重，从而有效应对数据异质性问题。

为验证方法有效性，研究团队在NGSIM真实轨迹数据集上进行了系统实验。通过引入低(σ=0.1)、中(σ=0.3)、高(σ=0.5)三级高斯噪声模拟非理想环境，对比测试显示FedDDPG在中等噪声下的预测误差(RMSE)仅为3.75，显著优于FedAvg(4.27)和FedProx(4.19)等基准方法。特别值得注意的是，在高噪声环境下，FedDDPG仍能保持4.48的RMSE值，展现出卓越的鲁棒性。在计算效率方面，FedDDPG单轮聚合仅增加87ms耗时，远低于FedOPT的187ms额外开销。此外，通过系数变异(c_v)和最差客户端精度(RMSE)评估的公平性指标显示，FedDDPG在中等噪声下的c_v值为12.80，明显优于FedAvg的24.95，证实其能有效平衡不同客户端的训练效果。

这项研究的意义不仅在于提出了一个高效的车辆轨迹预测框架，更开创性地将强化学习引入联邦学习的权重优化过程。FedDDPG的成功实践表明，通过智能算法设计，可以在不共享原始数据的前提下，充分利用分布式数据的价值，这对医疗、金融等隐私敏感领域的协同学习具有重要借鉴意义。论文的创新成果已发表在《Array》期刊，为智能交通系统的算法设计提供了新范式。未来，研究团队计划将FedDDPG扩展至医疗影像诊断、工业设备预测性维护等更多跨域协作场景，并探索结合区块链技术进一步增强隐私保护能力。尽管深度强化学习的参数调优复杂度仍是规模化部署的挑战，但这项研究无疑为破解"数据孤岛"困境开辟了新的技术路径。