[发明专利]一种基于联邦学习的城市交通出行数据分析方法

权利要求书

1.一种基于联邦学习的城市交通出行数据分析方法，其特征在于，包括以下步骤：

S1、城市交通出行数据源各方提供乘客数据，根据预先约定的数据规范各自完成数据加工，所述数据加工包括数据加密和数据对齐，所述乘客数据包括交通工具类型、站点信息、位置信息、通话信息及出行平台使用信息；

S2、城市交通出行数据源各方通过机器学习或深度学习训练并构建本地自有模型，获得特征参数，基于自有模型获得样本数据，所述样本数据包括本地自有模型的训练参数和梯度；

S3、将样本数据输入到联邦学习平台进行联合建模，对城市交通出行数据源方输入的样本数据进行加密ID匹配，输出ID交集，通过模型训练获得联合模型；

S4、利用联合模型构建乘客群体标签，根据乘客群体标签提取基于标签的特征工程，获得用户特征数据集，构建出用户画像；

S5、基于用户特征数据集和用户画像，通过联合建模制定推荐模型，利用推荐模型根据用户和产品的联系，向乘客推荐相应的产品或业务。

2.如权利要求1所述的一种基于联邦学习的城市交通出行数据分析方法，其特征在于，所述通过联合建模制定推荐模型具体为：采用联邦推荐算法进行建模融合和分析，利用推荐模型根据用户和产品的联系，向乘客推荐相应的产品或业务，所述联邦推荐算法包括横向联邦推荐算法、纵向联邦推荐算法及迁移联邦推荐算法。

3.如权利要求1所述的一种基于联邦学习的城市交通出行数据分析方法，其特征在于，所述步骤S1中的数据加密采用多方安全计算、差分隐私、同态加密中的一种或多种。

4.如权利要求3所述的一种基于联邦学习的城市交通出行数据分析方法，其特征在于，所述同态加密为非对称同态加密，采用RSA加密算法或Paillier加密算法。

5.如权利要求1所述的一种基于联邦学习的城市交通出行数据分析方法，其特征在于，所述城市交通出行数据源各方包括城市交通运营方和出行平台运营方。

6.如权利要求1所述的一种基于联邦学习的城市交通出行数据分析方法，其特征在于，所述步骤S3还包括：根据所述联合模型反馈的参数对本地自有模型的参数进行更新。

7.如权利要求1所述的一种基于联邦学习的城市交通出行数据分析方法，其特征在于，所述步骤S2中的特征参数包括全量ID、特征变量和表现数据。

8.如权利要求1所述的一种基于联邦学习的城市交通出行数据分析方法，其特征在于，所述联合模型是城市交通出行数据源各方的自有本地模型在联邦学习平台融合后的虚拟模型。

9.如权利要求1所述的一种基于联邦学习的城市交通出行数据分析方法，其特征在于，所述乘客群体标签包括交通工具、站点、位置、消费喜好程度及出行行为习惯。

10.如权利要求4所述的一种基于联邦学习的城市交通出行数据分析方法，其特征在于，所述非对称同态加密具体为：

协作者将公钥分发给发起者和参与者，用以对训练过程中需要交换的数据进行加密；

发起者和参与者以加密形式交互用于计算梯度值的中间结果；

发起者和参与者分别基于加密的梯度值进行计算，同时参与者根据其标签数据计算损失，并把汇总结果给协作者，协作者通过汇总结果计算总梯度值并利用私钥将其解密；

协作者将解密后的总梯度值分别回传给发起者和参与者，发起者和参与者根据总梯度值更新各自模型的参数。