Federated Learning for Traffic Flow Prediction with Synthetic Data Augmentation

要約

深層学習ベースの交通予測モデルでは、埋め込まれた空間的および時間的依存関係を学習するために膨大な量のデータが必要です。
このようなデータには固有のプライバシーと商業上の機密性があるため、Federated Learning (FL) などの分散型データ駆動型手法への移行が促進されています。
従来の機械学習パラダイムでは、交通流予測モデルは一元化されたデータ内の空間的および時間的関係をキャプチャできます。
実際には、トラフィック データは、複数の関係者が所有する個別のデータ サイロに分散している可能性があります。
この作業では、クロスサイロ FL 設定は、最適な交通流予測アプリケーションのための関係者のコラボレーションを促進することを目的としています。
この研究では、FedTPS と呼ばれる FL フレームワークを導入し、FL を通じて拡散ベースの軌道生成モデルをトレーニングすることで各クライアントのローカル データセットを強化する合成データを生成します。
提案されたフレームワークは、さまざまな FL 手法と交通流予測モデルを使用して、大規模な現実世界のライドシェア データセットで評価されます。これには、時間的およびグラフ アテンション メカニズムを活用して、システム内に埋め込まれた時空間依存関係を学習する新しい予測モデルも含まれます。
地域の交通流データ。
実験結果は、FedTPS がグローバル モデルのパフォーマンスに関して他の複数の FL ベースラインよりも優れていることを示しています。

要約(オリジナル)

Deep-learning based traffic prediction models require vast amounts of data to learn embedded spatial and temporal dependencies. The inherent privacy and commercial sensitivity of such data has encouraged a shift towards decentralised data-driven methods, such as Federated Learning (FL). Under a traditional Machine Learning paradigm, traffic flow prediction models can capture spatial and temporal relationships within centralised data. In reality, traffic data is likely distributed across separate data silos owned by multiple stakeholders. In this work, a cross-silo FL setting is motivated to facilitate stakeholder collaboration for optimal traffic flow prediction applications. This work introduces an FL framework, referred to as FedTPS, to generate synthetic data to augment each client’s local dataset by training a diffusion-based trajectory generation model through FL. The proposed framework is evaluated on a large-scale real world ride-sharing dataset using various FL methods and Traffic Flow Prediction models, including a novel prediction model we introduce, which leverages Temporal and Graph Attention mechanisms to learn the Spatio-Temporal dependencies embedded within regional traffic flow data. Experimental results show that FedTPS outperforms multiple other FL baselines with respect to global model performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google