多区域交通流预测的联邦学习方法

《Applied Sciences》：Federated Learning Approach for Multi-Regional Traffic Flow Prediction

　　

准确的交通流预测是智能交通系统（ITS）中的核心任务，因为城市交通观测在空间上分布、时间上动态变化，并且通常由不同的区域管理实体持有。当交通数据在各区域间非独立同分布（Non-IID），且由于隐私、所有权和通信约束而无法直接交换原始数据时，现有的集中式和本地模型仍然存在局限性。为解决这些挑战，本研究提出了一种面向多区域交通流预测的个性化相似性感知联邦时空学习框架。该框架整合了三种机制：针对区域分布异质性的客户端特异性适应、针对动态拥堵传播的自适应延迟图学习，以及基于信息质量的跨客户端协作的相似性感知联邦聚合。研究人员在不共享原始客户端数据的情况下，联合建模了空间依赖性、时间演化、交通流理论指导变量、道路属性以及时间上下文特征。在受控合成数据和Q-Traffic真实数据集上的实验表明，与独立训练、FedAvg、FedProx、FedSTN启发式及FedAGCN启发式基线相比，所提出的方法始终表现更优。在Q-Traffic网格级设定下，自适应图版本相较于FedAvg将均方误差（MSE）降低了35.3%，而CNN版本将MSE降低了27.5%。在簇级设定下，自适应图版本相较于FedAvg将MSE降低了26.3%。消融分析、敏感性分析、通信成本分析、差分隐私分析和客户端丢弃分析进一步表明，所提出的框架在异质性联邦交通场景下提高了预测精度、跨客户端稳定性和鲁棒性。

**论文解读：多区域交通流预测的个性化相似性感知联邦时空学习框架**

**研究背景、存在问题与研究动机**
交通流预测是智能交通系统（ITS）的核心任务之一，广泛应用于交通管理、拥堵缓解、路线规划和城市交通控制。高精度预测为主动信号控制、动态交通诱导和基础设施运行决策提供关键支持，从而提升出行效率、降低拥堵风险并支持低碳出行。然而，城市交通数据通常由不同路侧单元、导航平台、区域交通中心和管理机构收集，呈现出空间分布、时间动态变化和多源异质性特征。在实际部署中，交通数据很少存储在单一同质仓库中，而是分布在多个区域，且不同区域在拥堵水平、采样密度、车道配置、信号运行和出行需求模式上存在显著差异。例如，在Q-Traffic数据中，经路段对齐和网格聚合后，各空间客户端的训练样本数量差异超过2.4倍，网格级设定下平均交通流强度的变异系数达到0.31。这表明多区域交通预测不仅仅是一个大样本建模问题，更是一个异质性分布式学习问题。

现有研究主要分为三类：统计与时间序列方法（如季节性自回归积分滑动平均模型（ARIMA））受限于线性或弱平稳假设，难以处理复杂非线性演化与时空耦合；机器学习方法（如k近邻、支持向量回归、随机森林）增强了非线性建模能力，但仍依赖手工特征且对长程时间依赖和大规模空间交互建模支持有限；深度学习方法（如长短期记忆网络（LSTM）、双向LSTM（BiLSTM）、卷积神经网络（CNN）、图卷积网络（GCN）等）虽能捕捉复杂交通依赖，但大多假设集中式数据访问，无法直接处理数据所有权、隐私保护和区域非独立同分布（Non-IID）问题。联邦学习（FL）提供了一种无需交换原始数据的协作训练方案，现有FL交通预测方法（如FedSTN、FedAGCN）仍存在局限：多数依赖全局参数共享，未显式建模客户端特异性分布；固定图结构或局部卷积难以捕捉时变拥堵传播与延迟交互；标准FedAvg聚合未充分反映结构相似性、表示质量或区域异质性；实验常依赖本地基线，缺乏对通信成本、客户端丢弃鲁棒性、差分隐私和聚合敏感性的充分分析。

为此，研究人员提出了一种个性化相似性感知联邦时空预测框架，旨在联合建模共享全局参数与客户端特异性适应参数，显式处理区域Non-IID异质性；引入自适应延迟图学习机制捕捉动态空间连通性、功能相似性、拥堵传播与延迟跨区域交互；开发相似性感知联邦聚合策略，结合样本量、本地损失、表示相似性和异质性惩罚，提升跨客户端稳定性；并构建多源交通表示，整合交通流理论指导变量、道路属性和时间上下文特征。

**主要关键技术方法**
研究人员采用以下关键技术方法：
1. **个性化联邦时空框架**：将模型参数分解为共享参数（θ_shared）和客户端特异性适应参数（θ_c^adapt），共享参数捕捉通用时空交通规律，适应参数保留区域分布特征（如本地拥堵强度、道路等级组成、时间需求模式）。
2. **自适应延迟图学习**：通过节点间表示相似性、地理距离和延迟相关性（考虑时间滞后τ）构建时变边权重，形成自适应图，用于图传播，以表示物理邻近性和功能相似性，解决固定邻接矩阵或局部卷积的局限性。
3. **相似性感知联邦聚合**：服务器端综合考虑样本量权重（w_c^size）、损失感知权重（w_c^loss）、表示相似性权重（w_c^sim）和异质性得分（h_c）计算最终聚合权重，仅聚合共享参数，客户端特异性参数保留本地，减少负迁移。
4. **多源交通表示构建**：对每个空间单元和时间步，构建特征向量包括交通流量、平滑均值流量、速度、密度、道路长度、道路宽度类别、车道数、速度等级、时间编码、周期/工作日编码，并基于交通流理论（Greenshields关系）进行预变换，生成密度估计和流量-密度关系。
5. **时空建模与特征融合**：空间建模通过CNN、静态GCN或自适应图三种途径实现；时间建模采用BiLSTM；空间特征与时间特征通过缩放点积注意力（Scaled Dot-Product Attention）融合。
6. **实验评估**：在受控合成数据（模拟Non-IID异质性）和真实世界Q-Traffic数据集（来自百度地图）上进行实验，Q-Traffic经路段坐标对齐、缺失值处理、速度-流量变换、节点聚合和网格张量化后构建多源时空样本。客户端构建采用网格级和簇级两种策略，与独立训练、FedAvg、FedProx、FedSTN启发式、FedAGCN启发式基线比较，评估指标包括均方误差（MSE）、均方根误差（RMSE）和平均绝对误差（MAE），并计算跨客户端变异系数（CV）。

**研究结果**

**5.1 合成结果**
在目标异质性设定下，所提出的方法（CNN和GCN空间路径）均达到最低预测误差。与FedAvg相比，Ours-CNN将MSE降低21.1%，Ours-Adaptive-GCN将MSE降低31.0%。更低的客户端CV表明相似性感知聚合和个性化不仅提高了平均精度，还提升了跨客户端一致性。在更强的输入+目标异质性条件下，所有方法误差均升高，但所提出框架仍保持最稳定，优势更为明显，支持了客户端特异性适配器和相似性感知聚合的必要性。

**5.2 聚合策略与敏感性分析**
在真实网格级设定下，完整的相似性感知聚合达到最低误差。基于样本量的聚合在Non-IID交通分布下不足，损失感知加权提升稳定性，表示相似性进一步减少结构不一致更新的影响，结合客户端个性化时效果最佳。参数λ（控制数据量加权与损失感知加权的平衡）的敏感性分析显示，λ=0.5时MSE和客户端CV最低，过小会放大不稳定低损失客户端，过大则弱化对信息质量的响应。

**5.3 真实世界网格级结果**
所提出方法在所有基线上显著提升预测精度。自适应GCN版本表现最佳，因能捕捉动态功能相似性和延迟拥堵传播；Ours-CNN也具竞争力且计算更轻量，适用于拓扑信息有限的网格交通系统。

**5.4 真实世界簇级结果**
簇级客户端构建产生更平滑的本地分布和更强的联邦增益，所有方法误差低于网格级设定，但所提出自适应GCN框架仍达到最佳性能。

**5.5 区域性能差异与组件消融**
区域误差分析显示，最大的绝对改进发生在密集城市核心客户端，因该区域拥堵传播和延迟空间交互最强；外围客户端改进略小，因其交通模式与其他区域耦合较弱。组件消融表明，注意力融合或自适应图建模移除时性能下降最显著，动态空间交互和自适应特征集成至关重要；移除个性化也增加误差，确认客户端特异性参数对区域异质性有用。

**5.6 通信成本、延迟、丢弃与差分隐私**
通信成本估算显示，自适应GCN模型引入额外图学习参数，但总通信成本适中，因仅传输共享模型参数和紧凑表示摘要。客户端丢弃和延迟通信下的鲁棒性分析表明，模型在中等丢弃和延迟下保持稳定，但同时丢弃和延迟仍增加误差，需进一步探索异步聚合和过时更新校正。差分隐私（DP）敏感性实验显示，中等DP噪声略微降低精度但不改变相对优势，更强的隐私保护引入更大预测误差，反映隐私与效用的权衡。

**讨论与结论**
**讨论总结**：实验结果表明，个性化对于多区域交通预测至关重要，纯全局模型可能遭受负迁移，而客户端特异性适配器保留区域特征并减少异质性引起的优化冲突。自适应图学习改进了动态空间依赖的表示，固定邻接描述物理连通性，但拥堵传播可能遵循时变功能相似性和延迟影响，通过结合表示相似性、距离衰减和滞后相关，自适应图更好地捕捉真实交通交互。聚合应反映信息质量而非仅样本量，FedAvg在客户端平衡且近似同质时表现合理，但在Non-IID分布下性能下降，所提出聚合策略通过纳入本地损失、表示相似性和异质性惩罚提升了稳定性。局限性包括：真实实验因对齐的Q-Traffic空间分区和计算约束仅使用三个有效客户端，未来需在更大联邦网络上验证；公共Q-Traffic文件中缺少天气、事件、信号操作数据，框架设计可处理这些变量但需同步多源数据评估；自适应图模块提升精度但增加计算成本，需研究轻量级图学习和稀疏动态图近似；当前框架主要考虑同步FL，需探索更复杂的异步FL、过时更新校正和激励感知客户端参与机制；差分隐私分析是初步的，需形式化隐私核算和更强梯度反演攻击防护。

**研究结论翻译**：本研究提出了一种面向多区域交通流预测的个性化相似性感知联邦时空学习框架。该框架整合了客户端特异性适应、自适应延迟图学习、基于注意力的特征融合、多源交通表示和相似性感知聚合。它解决了分布式交通预测中的若干挑战，包括Non-IID区域数据、动态拥堵传播、有限原始数据共享和跨客户端稳定性。在合成数据和Q-Traffic真实数据上的实验表明，所提出方法优于独立训练、FedAvg、FedProx、FedSTN启发式和FedAGCN启发式基线。在Q-Traffic网格级设定下，自适应GCN模型相较于FedAvg将MSE降低35.3%，CNN版本将MSE降低27.5%。消融结果显示，个性化、自适应图建模、延迟相关性、注意力融合和道路属性特征均有助于预测精度。通信成本、丢弃、延迟和差分隐私分析进一步展示了该框架的实际适用性和局限性。总体而言，本研究表明，当显式建模区域异质性、动态交通连通性和信息质量感知聚合时，联邦学习可为隐私保护的多区域交通流预测提供有效途径。