(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211232648.2 (22)申请日 2022.10.10 (71)申请人 安徽工业大学 地址 243002 安徽省马鞍山市湖东路59号 安徽工业大学 (72)发明人 刘辉　刘艳　吴宣够　周建平　 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06F 119/02(2020.01) (54)发明名称 车辆定位模型训练中基于联邦学习的移动 设备选择方法 (57)摘要 本发明属于移动数据处理技术领域， 公开了 一种车辆定位模型训练中基于联邦学习的移动 设备选择方法， 包括： 建立模型训练系统用以训 练车辆定位模型， 且该系统包括车辆、 安置于车 辆上的移动设备以及中央服务器； 建立李雅普诺 夫优化模型， 明确模型中的目标函数以及约束条 件， 并以此约束模型训练中所述中央服务器的成 本； 利用线性回归预测模型预测所述移动设备的 模型训练时间； 所述中央服务器在成本约束下依 据模型训练时间选择至少一个目标移动设备执 行车辆定位模 型训练； 每个所述目标移动设备均 采集对应目标车辆移动过程中的车辆信息以执 行本地训练； 获取本地训练的本地参数， 并在车 辆定位模型中采用联邦平均算法聚合计算得到 模型全局参数。 权利要求书3页 说明书8页 附图3页 CN 115526106 A 2022.12.27 CN 115526106 A 1.一种车辆定位模型训练中基于联邦学习的移动设备选择方法， 其特征在于， 包括如 下步骤： S1.建立模型训练系统用以训练车辆定位模型， 且该系统包括车辆、 安置于车辆上的移 动设备以及中央服 务器； S2.建立李雅普诺夫优化模型， 明确模型中的目标函数以及约束条件， 并以此约束模型 训练中所述中央服 务器的成本； S3.利用线性回归预测模型 预测所述移动设备的模型训练时间； S4.所述中央服务器在成本约束下依据模型训练时间选择至少一个目标移动设备执行 车辆定位模型训练； S5.每个所述目标移动设备均采集对应目标车辆移动过程中的车辆信息以执行本地训 练； S6.获取本地训练的本地参数， 并在车辆定位模型中采用联邦平均算法聚合计算得到 模型全局参数； S7.所述中央服务器根据所述目标移动设备的训练成本给予训练报酬， 并根据多臂机 UCB算法预测计算所述目标移动设备的训练成本对应的中央服 务器的收益 值； S8.重复步骤S3 ‑步骤S7。 2.根据权利要求1所述的车辆定位模型训练中基于联邦学习的移动设备选择方法， 其 特征在于： 所述中央服 务器采用局域网中的L inux服务器。 3.根据权利要求2所述的车辆定位模型训练中基于联邦学习的移动设备选择方法， 其 特征在于， 约束模型训练中所述中央服 务器的成本时： 每轮模型训练的平均预算为b； 在每轮训练中选择K个目标移动设备参与模型训练； 目 标移动设备在参与训练的过程中需要消耗自身的能耗Ei(t)， 在本地训练中执行计算的cp u 频率ui(t)， 租用的带宽ri(t)， 时间Ti(t)， 支付给目标移动设备用户单位能耗的价格为A 元， 每单位的带宽租用价格为B元， 单位时间的价格为D元， 单位CPU的利用率的价格为E元， 则第t轮训练中支付给目标移动设备i的成本为ci(t)＝A*Ei(t)+B*ri(t)+D*Ti(t)+E*ui (t)， 第t轮训练的中央服 务器支付给 K个目标移动设备用户的总成本为 定义虚拟队列Q(t)， 用以储存每轮训练中的总成本超出平均预算b的累积量： Q(t +1)＝ max{Q(t)+C(t) ‑b， 0}； 明确李雅普诺夫优化模型中的目标函数 用以调控虚拟队列Q(t)； 明确李雅普诺夫优化模型中的漂移函数Δ(Q(t) )＝L(Q(t+1) )‑L(Q(t))； 最小化漂移函数与目标函数之和Δ(Q(t))+VFmax(t)， 用以估算模型训练中所述 中央服 务器的成本， 其中Fmax(t)为每轮的模型训练时间， 由每轮训练时间最长的目标移动设备决 定。 4.根据权利要求3所述的车辆定位模型训练中基于联邦学习的移动设备选择方法， 其 特征在于， 最小化漂移函数与目标函数之和时， 最小化漂移函数与目标函数的上确界： 权　利　要　求　书 1/3 页 2 CN 115526106 A 2其中， I为常数。 5.根据权利要求4所述的车辆定位模型训练中基于联邦学习的移动设备选择方法， 其 特征在于： 所述线性回归 预测模型为v＝aw +b， 其中， w为移动设备采集对应车辆移动过程中 的车辆信息时的数据集的大小， v为移动设备的模型训练时间， a和b为回归系数。 6.根据权利要求5所述的车辆定位模型训练中基于联邦学习的移动设备选择方法， 其 特征在于， 利用线性回归预测模型 预测所述移动设备的模型训练时间： 利用最小二乘法来获得回归系数： 其中， 和 分别是a和b的最小二乘估计， 和 分别是移动设备的模型交换 时间和数据 集大小的平均值； 记录每个移动设备的数据集大小{wi}i∈N和模型交换时间{Fi(t)}i∈N， 并结合线性回归 预测模型 预测数据集大小和模型交换时间的函数关系： 7.根据权利要求5所述的车辆定位模型训练中基于联邦学习的移动设备选择方法， 其 特征在于： 依据模型训练时间的由短至长的顺序依 次选择K个目标移动设备执行车辆定位 模型训练。 8.根据权利要求7所述的车辆定位模型训练中基于联邦学习的移动设备选择方法， 其 特征在于： 以所述车辆信息为特征向量 Xt＝{xt， yt， Tt， vat， vqt， vwt}执行本地训练； 其中， Xt为 时刻t的输入 数据， Tt表示时刻t车辆所 处的时间段特征， vat表示时刻t车辆的线性加速度特 征， vqt表示时刻t车辆的旋转矢量特征， vwt表示时刻t车辆的角速度特征， rt表示时刻t车辆 对应的交通信息路网特 征， {xt， yt}表示车辆的位置特 征。 9.根据权利要求8所述的车辆定位模型训练中基于联邦学习的移动设备选择方法， 其 特征在于， 所述车辆定位模 型包括输入层、 特征提取层C1、 特征映射层S2、 特征提取层C3、 特 征映射层S4和输出层； 所述输入层接收本地训练的本地参数X＝{X1， X2， …Xt}， 并采用联邦平均算法聚合计 算得到关于车辆位置序列的模型全局参数Y＝{Y1， Y2， …Yt}。 10.根据权利要求9所述的车辆定位模型训练中基于联邦学习的移动设备选择方法， 其 特征在于， 根据多臂机UCB算法预测 计算所述目标移动设备的训练成本对应的中央服务器 的收益值： 计算所选择的每个目标移动设备的训练成本对应的中央服务器收益 且每个目标 移动设备 所对应的收益均存在置信区间， 即 权　利　要　求　书 2/3 页 3 CN 115526106 A 3