《Frontiers in Artificial Intelligence》：Federated spatio-temporal graph neural network for privacy-preserving vehicle trajectory prediction in autonomous driving
编辑推荐：
准确的车辆轨迹预测在自动驾驶与智能交通系统中起着至关重要的作用。长短期记忆网络（LSTM）、卷积神经网络（CNN）、图神经网络（GNN）等深度学习模型虽表现出色，但多在集中式设定下将原始轨迹数据汇聚至服务器，且多数模型仅关注空间或时间特征之一，忽视了时空特征融
准确的车辆轨迹预测在自动驾驶与智能交通系统中起着至关重要的作用。长短期记忆网络（LSTM）、卷积神经网络（CNN）、图神经网络（GNN）等深度学习模型虽表现出色，但多在集中式设定下将原始轨迹数据汇聚至服务器，且多数模型仅关注空间或时间特征之一，忽视了时空特征融合可获取的信息。这引发了严重的隐私担忧、集中式数据问题以及可扩展性瓶颈。为应对上述挑战，研究人员提出一种联邦时空同步动态图神经网络（Federated STSDGNN）框架，用于隐私保护与自适应轨迹预测。基于highD数据集，轨迹被分割为时空序列并表示为动态交互图。每个客户端（车辆或路侧单元）在本地训练由预处理模块、时空同步模块（GCN/GAT与GRU）及预测模块（CNN与MLP）构成的STSDGNN。客户端仅上传模型更新，由服务器通过联邦学习算法聚合。该设计提升了隐私性，在实验中相较集中式STSDGNN基线降低约23.5%的RMSE，并有望支撑未来隐私保护V2X（Vehicle-to-Everything）应用。
研究背景方面，自动驾驶近年成为革命性技术，精准轨迹预测对碰撞预警与运动规划安全至关重要。传统集中式方法汇集车辆原始数据训练，面临隐私泄露、通信开销大与可扩展性差等局限；联邦学习（FL）允许本地训练且仅上传模型更新，缓解隐私与通信压力。现有轨迹预测模型多孤立处理车辆、单独抽取空间或时间关系，或采用静态图建模，难以刻画高度动态驾驶场景下的丰富时空交互。因此，研究人员开展将现有STSDGNN架构嵌入基于FedAvg的联邦环境、面向去中心化自动驾驶的隐私保护系统研究，而非提出新图网络或新优化算法。
关键技术方法上，研究人员采用highD数据集（含超110500辆车轨迹），以30帧观测窗口与10帧预测窗口滑窗切片，按50单位半径构建动态时空图（节点为车辆、边为邻近交互，无邻车时保留自环）。客户端共10个、每轮选5个，本地训练3轮、共10轮通信，Adam优化器学习率0.001、批大小16。STSDGNN由预处理、时空同步（GCN或GAT抽空间、GRU抽时间、拼接经全连接得64维融合向量）、预测（Conv1D+全局平均池化+MLP输出10×2坐标）三模块组成，服务器用标准FedAvg聚合。
研究结果部分，3.1数据集描述指出highD提供大规模真实高速轨迹，按8:2划分训练测试，序列总长40帧。3.2评估指标采用RMSE、ADE与FDE。3.3定量结果显示GAT版RMSE=0.14、ADE=0.16、FDE=0.23，优于GCN版（0.26/0.30/0.31）；GAT在多头交互时注意力加权更优，单节点时退化为类GCN。3.4联邦收敛行为分析表明GCN版约30轮本地epoch、GAT版约35轮达最优，之后略有过拟合；跨通信轮看GAT收敛更快，约4轮后误差近零，GCN稍慢但稳定。3.5计算复杂度分析给出本地训练时间复杂度O(E×S×T×H)，联邦聚合额外引入客户端数与通信轮数线性开销。
讨论与结论翻译：不同于既往在集中式设定下使用STSDGNN的研究，本框架将已有STSDGNN架构嵌入联邦学习环境用于去中心化自动驾驶，新颖性在于设计并评估统一隐私保护系统以实现去中心化协同轨迹预测，同时在同框架内比较GCN与GAT空间编码器。采用标准FedAvg作聚合策略。实验表明联邦STSDGNN较集中式基线RMSE降低约23.5%，GAT变体精度更高，系统兼顾隐私、可扩展性与实时性，可为未来隐私保护V2X应用提供支撑；局限在于当前为近似IID客户端切分、未引入差分隐私或梯度压缩等非IID与安全防护增强机制。论文发表于《Frontiers in Artificial Intelligence》。
