一种联邦式的混合GNN-Transformer框架，用于实现智能交通系统中高效的道路交通管理

《Scientific Reports》：A federated hybrid GNN-transformer framework for efficient traffic management in the Internet of Vehicles

　　

摘要

在车联网（IoV）环境中，紧急医疗运输需要制定路由决策，这些决策需要综合考虑交通流量动态、无线链接可靠性、医疗紧急程度以及数据隐私。现有的基于路由和学习机制的IoV方法往往只能解决其中的一部分问题，这可能导致救护车延误、中继选择不稳定，以及敏感的移动或医疗信息泄露。本文提出了一种混合图神经网络（GNN）-变压器联邦机会路由协议（HGTF-ORP），这是一个注重隐私保护的医疗IoV交通管理框架。IoV环境被表示为一个随时间变化的车辆和基础设施图，每个候选中继都通过一个综合考虑了Transformer预测的交通拥堵情况、基于GNN的图可达性、紧急程度、链接可靠性、缓冲区可用性和传输延迟的评分函数来进行评估。联邦学习（FL）使得车辆和路边单元（RSUs）能够在不共享原始医疗或移动数据的情况下训练本地模型，而机会路由层则在交通拥堵、链接质量下降或RSU故障时筛选合适的邻居并进行紧急路由切换。使用海得拉巴交通场景进行的仿真测试从延迟、数据包传输率（PDR）、带宽利用率、端到端延迟、路线优化程度、特定研究要求的隐私保护评分、系统鲁棒性以及实时扩展性等方面对HGTF-ORP与基准模型进行了对比。实验结果表明，该协议实现了61.7毫秒的延迟、96.2%的数据包传输率、111毫秒的端到端延迟、91.3%的路线优化程度、9.3/10的特定研究隐私保护评分以及13.2 Mbps的带宽利用率，在主要评估指标上均优于最强的基准模型。消融实验、统计分析、部署相关性分析、安全威胁分析以及扩展性分析进一步证明，HGTF-ORP为紧急医疗IoV环境提供了可靠且实时的路由支持。