专利交易市场

一种基于自适应个性化联邦学习的车联网隐私保护轨迹预测方法，将真实场景车辆轨迹数据集进行非独立同分布划分，模拟车联网中本地数据异构和不平衡现象，并将非独立同分布数据分配至各本地车辆；利用各本地车辆分配的轨迹数据对局部模型进行本地训练，得到各个局部模型的梯度数据并更新本地局部模型；各边缘车辆通过路边单元上传局部模型的梯度数据，并进行全局模型自适应优化聚合更新全局模型；通过路边单元进行广播以下发更新后的全局模型，本地车辆根据个性化规则更新个性化局部模型；重复步骤2至4设定次数，以得到最终的全局模型和个性化局部模型，利用验证集对局部模型进行验证。本发明预测精度高，通信成本低，联邦学习训练效率高。

本发明提供了一种面向智能电网数据保护的联邦学习方法，中心服务器将初始化神经网络模型下发至多个智能电表；每个智能电表利用生成模型生成数据样本或本地用电数据进行训练，并将训练后的模型参数和评分指标上传至中心服务器通过聚合模型对训练后的模型参数和评分指标进行聚合检测，确定异常智能电表；中心服务器对除异常智能电表上传的模型参数以外的所有模型参数进行注意力动态聚合，得到全局模型，并判断全局模型是否满足预设训练终止条件；若是，则训练结束，将全局模型用于对用电量进行预测；否则，将全局模型作为初始化神经网络模型下发至多个智能电表，并返回执行步骤2；在提高智能电网数据隐私保护能力的同时提高联邦学习的效率。