一种基于联邦学习和图神经网络的交通流量预测方法

本发明公开了一种基于联邦学习和图神经网络的交通流量预测方法，包括：对交通流量预测的全局模型进行初始化，并将全局模型的参数发送给各个客户端；各个客户端将局部模型参数替换为获取的全局模型参数，进而获取本地的交通流量数据来训练局部模型；各个客户端通过差分隐私技术对局部模型参数加入噪声，然后进行上传；聚合各个客户端上传的局部模型参数，使用平均池化操作得到新的全局模型，进而将更新后的全局模型参数发送给各个客户端，不断更新全局模型直至收敛或达到最大迭代次数；将前M个时间点的交通流量输入训练好的全局模型中输出未来N个时间点的交通流量预测值。本发明能够实现交通流数据的隐私保护并提高交通流预测的精度。