一种使用联邦学习的安全无线流量预测方法

无线流量预测对于提升智能蜂窝网络的性能至关重要，它影响着网络资源的优化配置、服务质量以及最终用户的满意度。传统方法在处理动态流量数据时精度受限，且存在隐私泄露和响应延迟问题。因此，本发明提出了一种结合联邦学习和Kolmogorov‑ArnoldNetworks(KAN)的无线流量预测方法。首先，我们获取不同地理位置的差异性流量数据并对其进行预处理。然后，采用边缘计算和联邦学习技术，允许多个边缘设备在本地训练LSTM模型。在此基础上，结合KAN深入挖掘流量数据的内在复杂性，增强模型的适应力。同时，引入FedNova模型更新机制，考虑了设备间的数据异质性。通过与传统方法的评价对比，证明了本发明方法在预测精度、计算效率和数据隐私保护方面的优越性。