一种用于交通流量预测的、通信效率高的联邦学习方法

《Engineering Applications of Artificial Intelligence》：A communication-efficient federated learning method for traffic flow prediction

　　李凯巨|徐强|王东|聂翔|王浩
贵州财经大学信息学院，贵阳，550025，中国

**摘要**
联邦学习越来越多地被用于交通流量预测（TFP），以实现分布式传感器之间的隐私保护协作。然而，现实世界的部署在计算能力上高度异构，导致某些设备成为“落后者”，这些设备主导了每轮的延迟，严重拖慢了模型更新的速度。大多数现有方法通过抑制或丢弃速度较慢的客户端来缓解这一问题，但这降低了数据的代表性并引入了训练偏差。对于需要广泛空间覆盖的TFP来说，这是一个有害的权衡。我们提出了一种通信效率高的逻辑聚类联邦学习框架（LCFed），它通过逻辑平衡有效训练时间来缓解落后者的问题，同时保持所有客户端的参与。LCFed结合了一个粗粒度的逻辑动态聚类算法（LoDynClust）来平衡集群间的计算资源并减少同步延迟，以及一个细粒度的集群内自适应协作训练机制（ICACT）来调节聚合间隔并减轻训练偏差。我们进一步提供了收敛性分析。在三个真实世界的交通数据集上的广泛实验表明，LCFed显著降低了由落后者引起的训练延迟，同时保持了与最先进基线相当的预测准确性。

**引言**
准确的交通流量预测对于缓解拥堵和实现智能交通管理至关重要（Zhang等人，2024年；Zhang等人，2025a年）。然而，交通流量的随机性和非线性特性使得有效预测成为智能交通系统（ITS）面临的持续挑战（Liu等人，2020年）。随着传感和数据收集技术的进步，深度学习（DL）由于其强大的时空建模能力，已成为TFP的主要范式（Chen等人，2020年；Shu等人，2021年；Ma等人，2021年；Cheng等人，2021年）。大多数基于DL的TFP方法采用集中式云训练，要求分布式终端（例如GNSS跟踪器、摄像头、雷达和路边单元）将原始数据上传到云端进行模型训练和推理。尽管集中式方法可以实现高准确性，但它们存在隐私泄露风险、通信负担重以及实时响应能力有限的问题（Pei等人，2024年）。联邦学习（FL）（McMahan等人，2017年）允许分布式设备在服务器协调下协作训练全局模型，而无需共享原始数据，从而在隐私保护和模型效用之间提供了有效的权衡。因此，FL已在ITS场景中得到广泛应用，包括交通预测（Yuan等人，2025年；Liu等人，2024c年；Zhang等人，2025b年；Liu等人，2024b年；Chen等人，2025a年；Zhang等人，2021年；Li等人，2025a年；Wang等人，2025年；Zhang等人，2022a年；Yuan等人，2022年；Hu等人，2024年；Lai等人，2024年）、车对车通信（Liu等人，2023年）和交通控制（Zhao等人，2025年）。尽管有这些优势，基于FL的TFP仍受到计算资源异构性导致的“落后者问题”的严重限制（Pavlidis等人，2024年）。大多数现有系统依赖于同步聚合（例如FedAvg），服务器必须等待所有设备在每轮中返回本地更新。在实际的ITS部署中，设备的计算能力差异很大，导致响应时间高度异构。因此，快速设备被迫空闲等待慢速设备，大大延长了整体训练时间。

如图1所示，交通传感设备之间的计算资源异构性会导致同步联邦聚合过程中的显著落后效应。一个GNSS跟踪器、一个雷达设备和一个路边单元（RSU），每个设备都有不同的硬件，共同训练一个TFP模型。在每轮通信中，服务器同步聚合来自所有设备的更新。具有强大硬件能力的快速响应设备（如GNSS跟踪器和雷达设备）必须空闲等待落后设备（即RSU）传输其更新参数，从而将总模型训练时间从1.5小时延长到6.7小时。

现有的基于FL的TFP落后者缓解方法大致可以分为三类：客户端选择（Zhang等人，2025b年；Liu等人，2024b年；Chen等人，2025a年；Du等人，2023a年；Reisizadeh等人，2022年；Fu等人，2023年；Yan等人，2024年；Zhang等人，2022b年；Xu等人，2023年；Chen等人，2023a年）、异步聚合（Zhao等人，2025年；Lai等人，2024年；Gauthier等人，2022年；Zhang等人，2023a年；Wu等人，2023年；Lang等人，2024年；Chen等人，2025b年；Ihekoronye等人，2024年）和基于聚类的方法（Liu等人，2024c年；Zhang等人，2021年；Zhang等人，2022a年；Yuan等人，2022年；Li等人，2025a年；Wang等人，2025年；Hu等人，2024年；Liu等人，2024a年；Sun等人，2025年；Du等人，2023b年；Zhang等人，2023b年）。虽然这些技术可以减少训练延迟，但它们通常通过排除参与者、放宽同步或使用静态分组来绕过或抑制慢速设备，而不是明确控制由计算异构性引起的落后效应。这种以规避为导向的设计引入了效率和准确性之间的根本权衡。在TFP任务中，慢速设备经常部署在拥堵或高影响交通区域，并提供捕捉代表性时空动态的关键信息。排除或降低这些设备的权重可能会缩短训练时间，但不可避免地会降低空间覆盖范围并导致学习结果偏差，使得牺牲参与度的落后者缓解策略特别不适合联邦交通流量预测。

受这些观察的启发，本文探讨了以下问题：
• 计算异构性如何从根本上导致联邦TFP中的落后效应？
• 如何在不排除慢速设备或牺牲数据代表性的情况下平衡计算资源异构性？
• 如何联合设计聚类和聚合，以在异构ITS环境中同时实现效率和准确性？

为了回答这些问题，我们将计算异构性视为一个可控的系统因素，而不是需要绕过的麻烦。为此，我们提出了一种通过逻辑资源聚类的高效FL方法，称为LCFed，它通过逻辑平衡异构计算资源来控制落后效应，同时保持所有客户端的参与。主要贡献总结如下：
• 我们提出了LCFed，它与客户端选择和异步方案的根本不同之处在于，它不是通过排除或降低慢速设备的权重来减少延迟；相反，它通过逻辑资源平衡来保持完全参与并缓解落后效应。
• 我们开发了一个粗粒度的逻辑动态聚类算法LoDynClust，该算法根据设备的计算能力来平衡集群级别的训练时间，而不仅仅是根据数据相似性、地理位置或更新行为进行聚类。
• 我们设计了一个细粒度的集群内自适应协作训练机制ICACT，其中强大设备通过自适应协作和聚合来帮助弱设备，减少空闲时间并减轻偏差，同时保持模型质量。
• 我们提供了LCFed的收敛性分析，并在三个交通数据集上进行了广泛实验，证明LCFed显著缩短了整体训练时间，同时实现了与现有基于FL的TFP基线相当或更好的准确性。

本文的其余部分组织如下：第2节回顾相关工作，第3节介绍了与TFP相关的FL基础知识。第4节介绍了所提出的FL方法LCFed，包括一个逻辑动态聚类算法（LoDynClust）和一个集群内自适应协作训练机制（ICACT）。第5节提供了广泛的实验评估。第6节讨论了假设场景和局限性。第7节总结了本文，附录B提供了LCFed收敛性的理论分析。

**相关工作**
下面，我们简要回顾了与TFP（第2.1节）和通信效率高的FL（第2.2节）相关的代表性研究。

**基于FL的交通流量预测场景**
图2显示了一个TFP系统的示意图，该系统由大量传感器节点和一个服务器组成。设C={C1,Ci,…,Cn}为传感器节点集合，D={D1,Di,…,Dn}为传感器节点接收的交通数据集（例如位置数据），n表示交通网络中的传感器数量。对于任何节点Ci，收集的交通数据集表示为Di，并满足Di∩Dj=0?，对于所有Ci∈C。我们的目标是利用每个节点的历史交通流量数据。

**问题定义**
我们的目标是减少全局聚合过程中由落后者引起的等待延迟，从而在保持预测准确性的同时缩短整体训练时间。在每轮通信中，客户端的训练时间由其本地计算和在时变网络条件下的模型更新传输决定。由于所有客户端采用相同的模型架构来执行相同任务，因此所有设备上的模型更新大小是相同的。

**实验评估**
我们在三个真实世界的交通数据集上对提出的LCFed框架进行了广泛实验，这些数据集使用了多种最先进的交通流量预测模型。我们的评估考虑了在异构联邦环境中的预测性能和训练效率，包括准确性（例如MAPE）、收敛时间和通信开销，并进一步检查了在异构计算和网络条件下的鲁棒性。我们还进行了消融研究。

**讨论**
**计算异构性引起的落后效应**。在基于FL的交通流量预测中，分布式传感设备之间的计算能力异构性是落后问题的根本原因。在同步聚合下，服务器必须等待所有客户端完成本地训练并上传更新，当存在慢速设备时，这会导致大量空闲时间。现有方法通常通过排除或抑制慢速参与者来缓解这个问题。

**结论**
本文提出了LCFed，这是一种在异构计算环境下的通信效率高的联邦学习框架，用于交通流量预测。通过动态聚类逻辑平衡设备间的有效训练时间，并在集群内实现自适应协作训练，LCFed在保持所有客户端参与的同时缓解了由落后者引起的延迟。在多个真实世界的交通数据集上的广泛实验表明，LCFed显著缩短了整体训练时间。

**作者贡献声明**
李凯巨：撰写——原始草稿。徐强：方法论。王东：形式分析。聂翔：数据整理。王浩：撰写——审阅与编辑，监督。

**利益冲突声明**
作者声明他们与本工作没有利益冲突。

**致谢**
本工作部分得到了国家自然科学基金（42001398、62402150、62502308）、重庆市自然科学基金（CSTB2025NSCQ-GPX1270）、重庆市教委重点科学技术研究项目（KJZD-K202300601）、重庆邮电大学计算机科学技术学院人才梯队提升计划（JKY-202423）、上海市浦江计划（24PJA056）和浙江省自然科学基金的支持。