一种基于联邦学习的城市信息模型增强方法

本发明提供了一种基于联邦学习的城市信息模型增强方法，属于智慧城市管理领域；该方法包括以下步骤：首先，各城市管理部门在本地进行数据收集和模型训练，并加密上传模型参数，中央协调服务器通过指数移动平均机制对参数进行聚合，更新全局模型并分发给各持有方；各持有方通过构建最优参数字典，比较全局参数与本地最优参数，仅在全局参数优于本地参数时进行更新，本地参数更新也采用EMA机制以提升模型稳定性。此外，利用差分隐私保护和同态加密技术，确保数据传输和聚合过程中的安全性。通过多轮迭代优化，该方法显著提升了城市信息模型的泛化能力和应用效果，适用于交通管理、能源优化、环境监测等多个智慧城市应用场景。