一种基于GRU和差分隐私联邦学习的车辆数据预测方法

本发明属于车辆动力学预测技术领域，公开了一种基于GRU和差分隐私联邦学习的车辆数据预测方法，包括以下步骤：服务器端随机初始化全局GRU模型参数，然后对本地GRU模型进行训练；客户端通过差分隐私机制对训练后的本地GRU模型参数进行处理，生成扰动模型；各客户端将扰动模型参数上传至服务器端；采用联邦学习中的加权聚合算法进行全局GRU模型聚合；服务器端将聚合后的全局GRU模型重新分发至各客户端，通过多轮训练和更新获得精确预测车辆动力学的全局GRU模型。本发明采用上述一种基于GRU和差分隐私联邦学习的车辆数据预测方法，通过结合GRU网络和差分隐私机制，实现了车联网环境下的车辆动力学预测，并有效保护了用户的隐私。