Federated Learning with Graph-Based Aggregation for Traffic Forecasting

📄 arXiv: 2507.09805v1 📥 PDF

作者: Audri Banik, Glaucio Haroldo Silva de Carvalho, Renata Dividino

分类: cs.LG, cs.AI

发布日期: 2025-07-13

备注: Accepted at FedKDD 2025: International Joint Workshop on Federated Learning for Data Mining and Graph Analytics. 6 pages, 1 figure

💡 一句话要点

提出基于图聚合的联邦学习方法，用于解决交通预测中空间依赖问题。

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting)

关键词: 联邦学习 图神经网络 交通预测 空间依赖 邻域聚合

📋 核心要点

  1. 传统联邦学习忽略了交通预测中客户端间的空间依赖性，导致性能受限。
  2. 提出一种轻量级图感知联邦学习方法，利用图结构指导参数更新，捕捉空间关系。
  3. 在METR-LA和PEMS-BAY数据集上验证，性能与现有方法相比具有竞争力。

📝 摘要（中文）

在交通预测中，目标是利用各区域部署设备收集的历史数据，估计特定区域或路段的交通速度或流量。每个区域或路段可以被视为一个测量本地交通流量的独立客户端，这使得联邦学习(FL)成为一种合适的方案，可以在不共享原始数据的情况下协同训练模型。在中心化FL中，中央服务器收集并聚合来自多个客户端的模型更新，以构建共享模型，同时保护每个客户端的数据隐私。标准的FL方法，如联邦平均(FedAvg)，假设客户端是独立的，这会限制交通预测任务的性能，因为客户端之间的空间关系很重要。联邦图学习方法可以在服务器端聚合期间捕获这些依赖关系，但它们通常会引入显著的计算开销。本文提出了一种轻量级的图感知FL方法，它融合了FedAvg的简单性和图学习的关键思想。我们的方法不是训练完整的模型，而是应用基本的邻域聚合原则来指导参数更新，根据图的连通性对客户端模型进行加权。这种方法有效地捕获了空间关系，同时保持了计算效率。我们在两个基准交通数据集METR-LA和PEMS-BAY上评估了我们的方法，并表明它与标准基线和最近的基于图的联邦学习技术相比，实现了具有竞争力的性能。

🔬 方法详解

问题定义：交通预测任务中，各个区域或路段的交通状况存在空间依赖性，传统的联邦学习方法如FedAvg假设客户端独立，忽略了这种依赖关系，导致预测精度下降。而基于图的联邦学习方法虽然可以捕捉这种依赖关系，但计算复杂度高，难以应用。

核心思路：本文的核心思路是将图学习中的邻域聚合思想融入到联邦学习的参数更新过程中。通过构建客户端之间的图结构，利用图的连通性信息来指导服务器端的模型聚合，从而在不引入过多计算开销的前提下，有效地捕捉客户端之间的空间依赖关系。

技术框架：该方法基于标准的中心化联邦学习框架。每个客户端使用本地数据训练模型，并将模型参数上传到中央服务器。服务器端维护一个图结构，该图的节点代表客户端，边代表客户端之间的空间关系。服务器根据图的连通性信息，对客户端上传的模型参数进行加权聚合，得到全局模型。然后，服务器将全局模型下发给客户端，进行下一轮训练。

关键创新：该方法的主要创新在于提出了一种轻量级的图感知聚合方法。与传统的图神经网络不同，该方法没有在客户端训练复杂的图神经网络，而是在服务器端利用图的连通性信息对客户端的模型参数进行加权聚合。这种方法在捕捉空间依赖关系的同时，避免了引入过多的计算开销。

关键设计：关键设计包括：1) 图结构的构建方式，例如可以使用客户端之间的地理距离或交通流量相关性来构建图；2) 邻域聚合的权重计算方式，例如可以使用图的邻接矩阵或拉普拉斯矩阵来计算权重；3) 聚合后的模型参数更新方式，例如可以使用加权平均或梯度下降等方法。

🖼️ 关键图片

fig_0

📊 实验亮点

在METR-LA和PEMS-BAY两个交通预测基准数据集上进行了实验，结果表明，该方法在保持计算效率的同时，能够取得与现有基于图的联邦学习方法相媲美的性能。实验结果验证了该方法在交通预测任务中的有效性和竞争力。

🎯 应用场景

该研究成果可应用于智能交通系统，例如城市交通流量预测、交通拥堵预警、路径规划等。通过联邦学习的方式，可以利用各个区域的交通数据，训练出更准确的交通预测模型，从而提高交通管理效率，减少交通拥堵，改善出行体验。该方法在保护数据隐私的同时，实现了协同训练，具有重要的实际应用价值。

📄 摘要（原文）

In traffic prediction, the goal is to estimate traffic speed or flow in specific regions or road segments using historical data collected by devices deployed in each area. Each region or road segment can be viewed as an individual client that measures local traffic flow, making Federated Learning (FL) a suitable approach for collaboratively training models without sharing raw data. In centralized FL, a central server collects and aggregates model updates from multiple clients to build a shared model while preserving each client's data privacy. Standard FL methods, such as Federated Averaging (FedAvg), assume that clients are independent, which can limit performance in traffic prediction tasks where spatial relationships between clients are important. Federated Graph Learning methods can capture these dependencies during server-side aggregation, but they often introduce significant computational overhead. In this paper, we propose a lightweight graph-aware FL approach that blends the simplicity of FedAvg with key ideas from graph learning. Rather than training full models, our method applies basic neighbourhood aggregation principles to guide parameter updates, weighting client models based on graph connectivity. This approach captures spatial relationships effectively while remaining computationally efficient. We evaluate our method on two benchmark traffic datasets, METR-LA and PEMS-BAY, and show that it achieves competitive performance compared to standard baselines and recent graph-based federated learning techniques.