A distributed machine learning based traffic prediction method is provided for predicting traffic of roads. In this case, the distributed machine learning based traffic prediction method includes distributing global multi-task traffic models by a learning server to learning agents to locally train the traffic models, uploading locally trained traffic models by learning agents to the learning server, updating global multi-task traffic models by the learning server using locally trained traffic model parameters acquired from learning agents, generating a time-dependent global traffic map by the learning server using the well trained global multi-task traffic models, distributing the time-dependent global traffic map to vehicles traveling on the roads, and computing an optimal travel route with the least travel time by a vehicle using the time-dependent global traffic map based on a driving plan.

    La présente invention propose un procédé de prédiction de trafic basé sur l'apprentissage machine distribué pour prédire le trafic de routes. Dans ce cas, le procédé de prédiction de trafic basé sur l'apprentissage machine distribué consiste à distribuer des modèles de trafic multitâches globaux par un serveur d'apprentissage à des agents d'apprentissage pour entraîner localement les modèles de trafic, téléverser des modèles de trafic entraînés localement par des agents d'apprentissage vers le serveur d'apprentissage, mettre à jour des modèles de trafic multitâches globaux par le serveur d'apprentissage à l'aide de paramètres de modèle de trafic entraîné localement acquis à partir d'agents d'apprentissage, générer une carte de trafic globale dépendant du temps par le serveur d'apprentissage à l'aide des modèles de trafic multitâches globaux bien entraînés, distribuer la carte de trafic globale dépendant du temps à des véhicules se déplaçant sur les routes, et calculer un itinéraire de voyage optimal avec le temps de voyage le plus faible par un véhicule à l'aide de la carte de trafic globale dépendant du temps sur la base d'un plan de conduite.


    Zugriff

    Download


    Exportieren, teilen und zitieren



    Titel :

    METHODS TO IMPROVE FEDERATED LEARNING ROBUSTNESS IN INTERNET OF VEHICLES


    Weitere Titelangaben:

    PROCÉDÉS D'AMÉLIORATION DE LA ROBUSTESSE D'APPRENTISSAGE FÉDÉRÉ DANS L'INTERNET DES VÉHICULES


    Beteiligte:
    GUO JIANLIN (Autor:in) / SUN YOUBANG (Autor:in) / KIM KYEONG JIN (Autor:in) / DI CAIRANO STEFANO (Autor:in) / MENNER MARCEL (Autor:in) / BERNTORP KARL (Autor:in)

    Erscheinungsdatum :

    06.09.2024


    Medientyp :

    Patent


    Format :

    Elektronische Ressource


    Sprache :

    Englisch


    Klassifikation :

    IPC:    G06N COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS , Rechnersysteme, basierend auf spezifischen Rechenmodellen / B60W CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION , Gemeinsame Steuerung oder Regelung von Fahrzeug-Unteraggregaten verschiedenen Typs oder verschiedener Funktion / G08G Anlagen zur Steuerung, Regelung oder Überwachung des Verkehrs , TRAFFIC CONTROL SYSTEMS



    Methods to Improve Federated Learning Robustness in Internet of Vehicles

    GUO JIANLIN / SUN YOUBANG / KIM KYEONG JIN et al. | Europäisches Patentamt | 2024

    Freier Zugriff

    Toward Robust Hierarchical Federated Learning in Internet of Vehicles

    Zhou, Hongliang / Zheng, Yifeng / Huang, Hejiao et al. | IEEE | 2023


    An Enhancing Semi-Supervised Federated Learning Framework for Internet of Vehicles

    Su, Xiangqing / Huo, Yan / Wang, Xiaoxuan et al. | IEEE | 2023


    Mobility, Communication and Computation Aware Federated Learning for Internet of Vehicles

    Pervej, Md Ferdous / Guo, Jianlin / Kim, Kyeong Jin et al. | IEEE | 2022


    Incentive Mechanism Design for Federated Learning in the Internet of Vehicles

    Lim, Wei Yang Bryan / Xiong, Zehui / Niyato, Dusit et al. | IEEE | 2020