一种基于改进联邦学习框架的行人轨迹预测方法

本发明提出了一种改进的联邦学习框架下的异构行人轨迹预测方法。首先，通过随机性矩阵对行人数据集进行划分，确保各客户端获取异质性数据，以增加数据的多样性。接着，在每个客户端上分别进行本地训练，客户端可以采用社交时空图卷积神经网络(Social‑STGCNN)或社交注意力网络(STGAT)，并通过私有数据集的微调提升模型对本地数据的适应性，同时在损失函数中加入相似性计算，以保持模型的稳定性。然后，利用动态权重聚合算法，根据平均位移误差(ADE)和最终位移误差(FDE)等贡献度指标，动态分配权重，从而实现异构模型的知识共享。接下来，将同组内(即相同模型类型)的客户端模型参数进行加权平均，更新组内全局模型，并将其传递给组内各客户端，以保证下一轮训练的初始参数一致性。之后，在不同组之间进行知识蒸馏，通过对齐模型输出，确保异构模型在处理相同数据时预测结果的一致性。最后，通过多轮训练不断优化全局模型，直到达到预设的训练目标，并在测试集上进行评估，以提升模型的预测精度和鲁棒性。