本技术涉及路径规划技术领域,尤其是涉及一种基于联邦学习和边缘计算的个性化路径规划方法及系统。包括模型训练阶段和路径规划阶段;在模型训练阶段,客户端将用户在访问地区的出行经验量化为路径的信任度评分,并根据用户社交网络中的路径选择频率优化路径信任度评分,将已知区域路径的信任度分数存储在本地;客户端将其路径信任度分数上传至中央服务器,进行信任度分数的全局聚合,之后中央服务器将聚合的信任度分数下发给各客户端;本发明公开了一种基于联邦学习和边缘计算的个性化路径规划方法及系统,针对用户的个性化出行问题,提出了路径信任度的评价维度,可以根据用户的个人偏好,提供个性化的路径规划。
背景技术
随着社会的发展和科技的进步,人们对出行服务的需求越来越高,用户不仅需要从A点到B点的基本导航,还希望得到考虑个人习惯、偏好和实时交通状况的最优路径。
近年来,行车者在出行时的个性化路径规划成为研究中的一大挑战。现有研究在解决该问题时通常假设人们与云服务器共享他们的敏感出行数据,以找到最符合用户个人偏好的路径,但这在实践中出于对用户的隐私保护考虑所以并不理想。此外,现有的工作制定路径规划的方式也并不能有效满足用户个性化出行的需要。因此,如何在保证用户隐私的情况下,为用户提供个性化的路径规划成为现有技术亟待解决的问题。
实现思路