基于物联网与LoRaWAN网络的联邦边缘智能技术，用于实现具备气候感知能力的时空道路事故预测

《Computation》：Federated Edge Intelligence for Climate-Aware Spatiotemporal Road Accident Prediction Using IoT and LoRaWAN Networks

　　

摘要

在动态气候条件下实现实时道路事故预测，对于智能交通系统而言仍是一项重大挑战，尤其是在通信基础设施较为匮乏的偏远和农村地区。本研究提出并评估了一种基于联邦边缘智能的五层网络物理架构，旨在为厄瓜多尔24个省提供具备气候感知能力的时空道路事故预测功能。该框架整合了具备TinyML功能的低功耗物联网传感器节点（ESP32-S3）、长距离LoRaWAN通信网络、通过OpenNebula和K3s实现的容器化边缘云协同系统、采用FedAvg算法的去中心化联邦学习生态系统，以及地理空间决策智能后端。该架构利用了2014年至2025年间的全国多源数据集，共处理了27,620条记录，通过Box–Cox变换处理了数据中的严重偏态问题。实验结果表明，在经过Box–Cox变换后的数据空间中，集中式堆叠集成模型取得了最高的整体性能。而在去中心化环境中，联邦梯度提升模型在严格保障本地数据主权并遵守个人数据保护法规的前提下，实现了良好的精度与效率平衡：，即MAE值的上升幅度较低。从运行效率来看，边缘节点的本地推理延迟仅为，远低于关键的安全阈值，而全局聚合引擎仅需三轮通信即可实现快速收敛。这一网络物理生态系统表明，将本地TinyML推理与联邦聚合相结合，可以为在连接条件受限的环境中构建具备气候感知能力、可扩展、低延迟且能保障隐私的下一代道路安全基础设施提供有力支撑。