基于联邦学习的时间序列模型不确定性校正方法与系统

本发明提出一种基于联邦学习的时间序列模型不确定性校正方法与系统，该方法包括：通过本地客户端的预测模型聚合每个本地客户端的本地标签数据分布，得到覆盖整个数据分布的全局模型；基于数据集和全局模型计算得到先验分布，利用先验分布和全局模型学习潜在空间上的条件分布，得到后验概率，利用后验概率引导预测模型训练，利用特征结合与训练的预测模型得到不确定性模型；利用异方差广义高斯分布对时间序列回归任务和分类任务的分布进行建模，并更新不确定性模型，结合损失函数完成对不确定模型的训练。本发明可有效地缓解联邦学习中客户端数据异质性问题，并有效地校准了独立同分布和非独立同分布环境中时间序列预测模型的不确定性。