تنبؤ تدفق الحركة مع حماية الخصوصية: نهج التعلم الفيدرالي

تحقق الطرق الحالية لتوقع تدفق الحركة باستخدام نماذج التعلم العميق نجاحًا ممتازًا بناءً على حجم كبير من مجموعات البيانات التي تجمعها الحكومات والمنظمات. ومع ذلك، قد تحتوي هذه المجموعات على الكثير من بيانات المستخدم الخاصة، مما يتحدى الطرق الحالية للتوقع حيث أصبحت خصوصية المستخدم تشغل اهتمام الجمهور في السنوات الأخيرة. لذلك، كيفية تطوير توقعات الحركة بدقة مع الحفاظ على الخصوصية هو مشكلة هامة يجب حلها، وهناك تبادل بين هذين الهدفين. لمواجهة هذا التحدي، نقدم تقنية تعلم آلي تحافظ على الخصوصية تُسمى التعلم الفيدرالي (FL) ونقترح خوارزمية شبكة عصبية تعتمد على الوحدات التكرارية المغلقة (FedGRU) لتوقع تدفق الحركة (TFP). تختلف FedGRU عن الطرق الحالية للتعلم المركزي وتحدث نماذج التعلم العالمية من خلال آلية تجميع معاملات آمنة بدلاً من مشاركة البيانات الخام مباشرة بين المنظمات. في آلية تجميع المعلمات الآمنة، نعتمد خوارزمية متوسط فيدرالي لتقليل الحمل الاتصالي أثناء عملية نقل معلمات النموذج. علاوة على ذلك، نصمم بروتوكول إعلان مشترك لتحسين قابلية توسيع FedGRU. نقترح أيضًا نظام يعتمد على تجميع مجموعات لتوقع تدفق الحركة من خلال تجميع المنظمات في مجموعات قبل تطبيق خوارزمية FedGRU. تظهر دراسات حالة شاملة على مجموعة بيانات واقعية أن FedGRU يمكن أن تنتج توقعات أسوأ بمقدار 0.76 كم/ساعة فقط من أحدث الأساليب في ما يتعلق بخطأ المتوسط، مما يؤكد أن النموذج المقترح يطور توقعات حركة دقيقة دون المساس بخصوصية البيانات.