《联邦学习实战》杨强 读书笔记十一——联邦学习在智能物联网中的应用案例

目录

案例的背景与动机

历史数据分析

出行时间预测模型

问题定义

构造训练数据集

模型结构

---

联邦学习在智慧城市建设中的一个应用，即用户的出行预测，帮助用户更好地规划出行安排。

人工智能物联网（以下简称AIoT）是一种将人工智能技术和物联网技术相结合而出现的前瞻性概念。

本章介绍联邦学习在AIoT中的一个重要应用：预测社区住户的出行时间，从而帮助住户提供更好的出行建议（如打车预测、路线推荐等）。本案例是横向联邦学习在AIoT领域的应用实践。

案例的背景与动机

当前的智慧社区管理，一般是在各社区中安装AIoT设备，收集本小区住户的出行信息。

由于社区住户的行为数据属于个人隐私信息，不适合将数据上传到云端进行集中式处理。

历史数据分析

历史数据分析的结果表明，在社区出行的问题上，传统的数据分析很难取得令人满意的效果：

1. 首先，不同住户群体差异性很大。
2. 其次，单个社区的住户数量一般比较少。

出行时间预测模型

问题定义

我们并不需要一个准确值，而是需要一个大致的区间。因此，我们将出行时间预测退化为一个多分类问题，将每一天的时间划分为多个区间段，预测用户出行的时间段。

构造训练数据集

我们来考虑每一条训练样本（x，y）的构建，首先是特征x的构造，特征构造包括两个层面的特征数据：

1. 画像属性特征构建：通过用户的登记信息和历史出行，提取包括用户的性别、年龄，工作日出行频率、休息日出行频率等用户画像信息。
2. 时间序列特征：时间序列建模问题，可以通过滑动窗口的方式来构建训练数据集。假设当前处于第T天，那么我们可以把前面的N天构成一个时间序列。将该序列作为递归神经网络的输入得到用户时序行为特征，其中某一天的输入数据包括是否为工作日；当前24个时间区间段中是否有出行记录等。

训练集中标签y的构建则相对简单，前面已经提到将问题转化为多方类处理。

模型结构

本案例采用LSTM网络作为递归网络模块，然后将其与画像属性特征拼接，接入全连接层，如下图：

本读书笔记系列针对2021年5月出版的《联邦学习实战》（见下图），后续部分将逐步更新