EGCN-CeDML:一种面向车辆驾驶行为预测的分布式机器学习框架

在大规模动态变化的交通场景下，快速准确地预测车辆驾驶行为是智能交通领域极具挑战的问题之一。车辆驾驶行为的预测不仅要考虑通信的有效性，而且要考虑车辆历史行驶轨迹以及车辆之间的相互影响。文中综合考虑了上述因素，提出了一种新的基于边-增强图卷神经网络的通信有效的分布式机器学习框架EGCN-CeDML(Edge-enhanced Graph Convolutional Neural Network-Communication-efficient Distributed Machine Learning)。相比面向单一设备的集中式预测框架，EGCN-CeDML是通信有效的分布式机器学习框架，该框架无需将所有原始数据发送到云服务器，而是直接将用户数据在本地边缘设备存储、处理和计算。这种在多个边缘设备训练神经网络的方式缓解了集中训练神经网络的压力，降低了传输数据量和通信延迟，提升了数据处理效率，在一定程度上也保护了用户隐私。各个边缘设备部署的复合图卷积网络(EGCN-LSTM)利用边-增强注意力机制和图卷积神经网络的特征传递机制，当周围车辆数量增长至十几辆时仍能快速提取和传递车辆间的交互信息，保证了...