基于联邦学习的道路预警方法及其相关设备与流程

1.本申请涉及人工智能技术领域，尤其涉及基于联邦学习的道路预警方法及其相关设备。


背景技术：

2.现行的城市道路交通有许多问题未妥善解决，由交通事故层出不穷可以看出，城市对于交通风险的识别和检测方面亟待提高。目前在道路风险检测方面，产品多是透过传感器或是摄像头实施一些基本的状态检测而不能进行更深层次的风险预警判断。
3.同时，各省市、各区县的交管部门之间的数据并不互通，它们所采用的信息管理系统更是千差万别，且个体汽车对应的企业、个人所持有的数据信息也完全不互通，如此一来就产生了政府、企业、个体户间的“数据壁垒”。难以准确快速的进行车辆和道路的预警，难以快速提前预知危险，道路事故依然频发。


技术实现要素：

4.本申请实施例的目的在于提出一种基于联邦学习的道路预警方法及其相关设备，打破数据壁垒，减少道路事故的发生，提高交通运输力。
5.为了解决上述技术问题，本申请实施例提供一种基于联邦学习的道路预警方法，采用了如下所述的技术方案：
6.一种基于联邦学习的道路预警方法，包括下述步骤：
7.各个第一本地服务器分别接收中央服务器传输的初始反向神经网络模型，并获取对应的联邦车辆的车辆指标数据，基于所述车辆指标数据训练所述初始反向神经网络模型，获得训练后的初始反向神经网络模型的参数，作为第一参数，将所述第一参数传输给中央服务器，其中，所述第一本地服务器与所述联邦车辆为一一对应的关联关系；
8.各个第二本地服务器分别接收中央服务器传输的初始递归神经网络模型，并获取对应的联邦监控的道路监控图像数据，基于所述道路监控图像数据训练所述初始递归神经网络模型，获得训练后的初始递归神经网络模型的参数，作为第二参数，将所述第二参数传输给中央服务器，其中，所述第二本地服务器与所述联邦监控为一一对应的关联关系；
9.中央服务器分别接收所述第一参数和所述第二参数，通过增强算法分别对所述第一参数和所述第二参数进行聚合处理，分别获得第一目标参数和第二目标参数，并分别将所述第一目标参数和所述第二目标参数传给所述第一本地服务器和所述第二本地服务器；
10.第一本地服务器接收所述第一目标参数，基于所述第一目标参数迭代更新所述初始反向神经网络模型，直至达到预设的停止条件，获得目标反向神经网络模型；
11.第一本地服务器获取当前车辆的待检测车辆指标数据，将所述待检测车辆指标数据输入至所述目标反向神经网络模型中，获得所述目标反向神经网络模型输出的车辆状态和车辆异常概率，确定所述车辆异常概率是否大于异常阈值，在所述车辆异常概率大于异常阈值时，向预设范围内的车辆和调度客户端发送车辆预警信号；
12.第二本地服务器接收所述第二目标参数，基于所述第二目标参数迭代更新所述初始递归神经网络模型，直至达到预设的停止条件，获得目标递归神经网络模型；
13.第二本地服务器实时根据时间序列获取道路影像，将所述道路影像输入至所述目标递归神经网络模型中，获得所述目标递归神经网络模型输出的道路风险概率，确定所述道路风险概率是否大于第一道路风险阈值，在所述道路风险概率大于所述第一道路风险阈值时，向调度客户端发送第一道路风险预警信号；
14.在调度客户端同时接收到车辆预警信号和第一道路风险预警信号时，调度客户端判断所述车辆预警信号携带的第一地理位置和所述第一道路风险预警信号携带的第二地理位置之间的距离是否小于范围阈值，在所述第一地理位置和所述第二地理位置之间的距离小于范围阈值时，向指定人员发送道路调控通知。
15.进一步的，所述确定所述车辆异常概率是否大于异常阈值，在所述车辆异常概率大于异常阈值时，向预设范围内的车辆和调度客户端发送车辆预警信号的步骤之后，还包括：
16.第一服务器确定所述车辆异常概率是否大于异常阈值，在所述车辆异常概率大于异常阈值时，向调度客户端发送安全预警信号；
17.调度客户端接收所述第一本地服务器发送的安全预警信号，确定发送所述安全预警信号的第一本地服务器，作为预警本地服务器，根据所述预警本地服务器确定出与所述预警本地服务器相关联的联邦车辆，作为目标车辆；
18.调度客户端确定所述目标车辆的地理位置，基于所述目标车辆的地理位置，从所述联邦监控中确定出目标联邦监控，基于所述目标联邦监控确定与所述目标联邦监控相关联的第二本地服务器，作为目标第二本地服务器；
19.调度客户端向所有的所述目标第二本地服务器发送道路监控预警信号；
20.在所述第二本地服务器实时根据时间序列获取道路影像，将所述道路影像输入至所述目标递归神经网络模型中，获得所述目标递归神经网络模型输出的道路风险概率的步骤之后，还包括：
21.在所述第二本地服务器接收到调度客户端发送的道路监控预警信号时，所述第二本地服务器确定所述道路风险概率是否大于第二道路风险阈值，在所述道路风险概率大于所述第二道路风险阈值时，向所述调度客户端发送第二道路风险预警信号，其中，所述第二道路风险阈值小于所述第一道路风险阈值。
22.进一步的，所述中央服务器分别接收所述第一参数和所述第二参数，通过增强算法分别对所述第一参数和所述第二参数进行聚合处理，分别获得第一目标参数和第二目标参数的步骤包括：
23.中央服务器分别接收所述第一参数和所述第二参数，分别对所述第一参数和所述第二参数进行平均操作，分别获得所述第一目标参数和所述第二目标参数，所述第一目标参数的特征为:
[0024][0025]
其中，w’为所述第一目标参数，n为联邦车辆个数，n
k
为第k个联邦车辆，n
k
数值恒为1，为所述第一参数；
[0026]
所述第二目标参数的特征为：
[0027][0028]
其中，v’为所述第二目标参数，m为联邦监控个数，m
p
为第p个联邦监控，m
p
数值恒为1，为所述第二参数。
[0029]
进一步的，在所述各个第一本地服务器分别接收中央服务器传输的初始反向神经网络模型，并获取对应的联邦车辆的车辆指标数据的步骤之前，还包括：
[0030]
中央服务器根据预设的分发比例确定联邦车辆个数n；
[0031]
接收各个候选本地服务器传输的异常指数，将所述候选本地服务器根据所述异常指数降序排序，获得指数列表；
[0032]
选取所述指数列表中前n个候选本地服务器作为所述第一本地服务器，并将所述第一本地服务器对应的车辆作为所述联邦车辆。
[0033]
进一步的，所述中央服务器根据预设的分发比例确定联邦车辆个数n的步骤包括：
[0034]
所述联邦车辆个数的特征为：
[0035]
n为总车辆个数和预设的分发比例的乘积，与1之间的最大值。
[0036]
进一步的，所述第一本地服务器基于所述第一目标参数迭代更新所述初始反向神经网络模型，直至达到预设的停止条件，获得目标反向神经网络模型的步骤包括：
[0037]
第一本地服务器基于所述第一目标参数更新所述初始反向神经网络模型，获得中间反向神经网络模型，基于所述车辆指标数据训练所述中间反向神经网络模型，获得训练后的中间反向神经网络模型的参数；
[0038]
将训练后的中间反向神经网络模型的参数传输给中央服务器，以使所述中央服务器根据中间反向神经网络模型的参数生成第三目标参数；
[0039]
接收中央服务器传输的第三目标参数，通过所述第三目标参数迭代更新所述中间反向神经网络模型，直至达到预设的迭代次数，获得所述目标反向神经网络模型。
[0040]
进一步的，所述将所述第一参数传输给中央服务器的步骤包括：
[0041]
通过aes加密函数对所述第一参数进行加密处理，获得加密数据；
[0042]
将所述加密数据传输给所述中央服务器。
[0043]
为了解决上述技术问题，本申请实施例还提供一种基于联邦学习的道路预警系统，采用了如下所述的技术方案：
[0044]
一种基于联邦学习的道路预警系统，所述基于联邦学习的道路预警系统包括中央服务器、第一本地服务器和第二本地服务器，其中，
[0045]
所述第一本地服务器，用于接收中央服务器传输的初始反向神经网络模型，并获取对应的联邦车辆的车辆指标数据，基于所述车辆指标数据训练所述初始反向神经网络模型，获得训练后的初始反向神经网络模型的参数，作为第一参数，将所述第一参数传输给中央服务器，其中，所述第一本地服务器与所述联邦车辆为一一对应的关联关系；
[0046]
所述第二本地服务器，用于接收中央服务器传输的初始递归神经网络模型，并获取对应的联邦监控的道路监控图像数据，基于所述道路监控图像数据训练所述初始递归神经网络模型，获得训练后的初始递归神经网络模型的参数，作为第二参数，将所述第二参数传输给中央服务器，其中，所述第二本地服务器与所述联邦监控为一一对应的关联关系；
[0047]
所述中央服务器，用于分别接收所述第一参数和所述第二参数，通过增强算法分别对所述第一参数和所述第二参数进行聚合处理，分别获得第一目标参数和第二目标参数，并分别将所述第一目标参数和所述第二目标参数传给所述第一本地服务器和所述第二本地服务器；
[0048]
所述第一本地服务器，用于接收所述第一目标参数，基于所述第一目标参数迭代更新所述初始反向神经网络模型，直至达到预设的停止条件，获得目标反向神经网络模型；
[0049]
所述第一本地服务器，用于实时获取当前车辆的待检测车辆指标数据，将所述待检测车辆指标数据输入至所述目标反向神经网络模型中，获得所述目标反向神经网络模型输出的车辆状态和车辆异常概率，确定所述车辆异常概率是否大于异常阈值，在所述车辆异常概率大于异常阈值时，向预设范围内的车辆发送车辆预警信号；
[0050]
所述第二本地服务器，用于接收所述第二目标参数，基于所述第二目标参数迭代更新所述初始递归神经网络模型，直至达到预设的停止条件，获得目标递归神经网络模型；
[0051]
所述第二本地服务器，用于实时根据时间序列获取道路影像，将所述道路影像输入至所述目标递归神经网络模型中，获得所述目标递归神经网络模型输出的道路风险概率，确定所述道路风险概率是否大于第一道路风险阈值，在所述道路风险概率大于所述第一道路风险阈值时，向调度客户端发送第一道路风险预警信号。
[0052]
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
[0053]
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述的基于联邦学习的道路预警方法的步骤。
[0054]
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
[0055]
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述的基于联邦学习的道路预警方法的步骤。
[0056]
与现有技术相比，本申请实施例主要有以下有益效果：
[0057]
本申请无需将所有数据集中在一起，中央服务器向第一本地服务器和第二本地服务器发送不同的神经网络模型，即初始反向神经网络模型和初始递归神经网络模型，进而第一本地服务器和第二本地服务器分别根据本地数据对接收到的神经网络模型进行训练，再将训练的模型参数传输给中央服务器，实现数据不离开本地，就能够与其他服务器的数据进行综合训练，在保证数据隐私的情况下，有效打破数据壁垒，进而有效提高训练后的目标反向神经网络模型和目标递归神经网络模型的模型表达效果。向预设范围内的车辆发送车辆预警信号，使得周围的车辆能够及时避让可能出现故障的车辆，从而减少交通事故的发生。调度客户端通过判断车辆预警信号和第一道路风险预警信号之间的地理位置的距离，在距离小于范围阈值时，向指定人员发送道路调控通知，能够帮助交通部门动态调整警力分布，合理分配交通资源，减少道路事故的发生，提高交通运输力。
附图说明
[0058]
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域
普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0059]
图1是本申请可以应用于其中的示例性系统架构图；
[0060]
图2是根据本申请的基于联邦学习的道路预警方法的一个实施例的流程图；
[0061]
图3是根据本申请的计算机设备的一个实施例的结构示意图。
[0062]
附图标记：100、中央服务器；200、第一本地服务器；300、第二本地服务器；400、调度客户端；500、计算机设备；501、存储器；502、处理器；503、网络接口。
具体实施方式
[0063]
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
[0064]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0065]
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
[0066]
本申请实施例的基于联邦学习的道路风险检测方法应用于基于联邦学习的道路风险检测系统中。参考图1所示，本申请的系统架构包括中央服务器100、第一本地服务器200、第二本地服务器300和调度客户端400。中央服务器100与第一本地服务器200之间、中央服务器100与第二本地服务器300之间、调度客户端400与第一本地服务器200之间、调度客户端400与第二本地服务器300之间均通过网络进行连接，网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0067]
用户可以使用调度客户端400通过网络与目标服务器或联合服务器交互，以接收或发送消息等。调度客户端上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
[0068]
调度客户端400可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(moving picture experts group audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving picture experts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
[0069]
应该理解，图1中的中央服务器100、第一本地服务器200、第二本地服务器300和调度客户端400的数目仅仅是示意性的。根据实现需要，可以具有任意数目的中央服务器100、第一本地服务器200、第二本地服务器300和调度客户端400。
[0070]
继续参考图2，示出了根据本申请的基于联邦学习的道路预警方法的一个实施例的流程图。所述的基于联邦学习的道路预警方法，包括以下步骤：
[0071]
s1：各个第一本地服务器分别接收中央服务器传输的初始反向神经网络模型，并获取对应的联邦车辆的车辆指标数据，基于所述车辆指标数据训练所述初始反向神经网络模型，获得训练后的初始反向神经网络模型的参数，作为第一参数，将所述第一参数传输给中央服务器，其中，所述第一本地服务器与所述联邦车辆为一一对应的关联关系。
[0072]
在本实施例中，中央服务器将初始反向神经网络模型分别传输给各个第一本地服务器。反向神经网络模型(back propagation neural network，bpnn)。由输入层、隐层和输出层三层组成，其中隐层在输入层和输出层之间传递着重要的信息，反向神经网络模型在预测任务中有较好的表现。中央服务器将初始递归神经网络模型分别传输给各个第二本地服务器。递归神经网络模型(recursive neural network,rnn)能够随着时间更新信息，上一个输入的信息会在网络中持续存在，并且影响下一个输入信息的输出内容，在顺序过程的每个步骤中发生的递归关系。本申请中的联邦车辆指的是从所有候选的车辆中选择出的参与本申请的训练过程的车辆。第一本地服务器获取对应的联邦车辆的车辆指标数据，车辆指标数据为历史数据，该车辆指标数据包括：机动车性能指标(如车载负重、引擎发热率、涡轮气体压缩比等)、行驶状态下的车辆内部状态指标(如转向、制动、行驶等)和车辆状态(包含油耗量、污染物排放量、引擎转速等)。并对所述车辆指标数据进行结构化处理，获得结构化的车辆指标数据。这些历史数据的获得是通过车辆中安装的传感器进行的实时采集，然后进行结构化的处理，获得结构化的车辆指标数据，通过车载os(operating system，操作系统)将这些结构化的车辆指标数据实时存储在车辆内部的硬盘中，从而作为应用于训练过程的历史数据。结构化数据举例如下：
[0073]
车辆编号类型数值是否异常1负载类100是
[0074]
表1
[0075]
本申请通过结构化的车辆指标数据训练初始反向神经网络模型，获得训练后的初始反向神经网络模型的参数。第一本地服务器的训练过程通过如下表达式进行：其中，η表示超参数，w表示训练过程中的初始反向神经网络模型的参数，表示梯度，l(w,β)表示曲线，β表示训练数据，即车辆指标数据。
[0076]
具体的，在步骤s1中，即所述将所述第一参数传输给中央服务器的步骤包括：
[0077]
通过aes加密函数对所述第一参数进行加密处理，获得加密数据；
[0078]
将所述加密数据传输给所述中央服务器。
[0079]
在本实施例中，aes加密属于对称加密，通过aes加密函数对第一参数加密，获得加密数据后，中央服务器通过aes解密函数对加密数据进行解密，获得所述第一参数，其中，aes解密使用的密钥与加密时使用的密钥相同。在实际应用的过程中，可以根据实际需要采用非对称加密的方式进行数据传输，适用即可。
[0080]
s2：各个第二本地服务器分别接收中央服务器传输的初始递归神经网络模型，并获取对应的联邦监控的道路监控图像数据，基于所述道路监控图像数据训练所述初始递归神经网络模型，获得训练后的初始递归神经网络模型的参数，作为第二参数，将所述第二参数传输给中央服务器，其中，所述第二本地服务器与所述联邦监控为一一对应的关联关系。
[0081]
在本实施例中，道路监控图像数据为截取的历史的交通监控视频数据的图像。在
训练递归神经网络模型前，需要对道路监控图像数据进行预标注，对图像标注上标签，例如：碰撞、拥堵等。获得标注后的图像，通过标注后的图像训练初始递归神经网络模型，获得训练后的初始递归神经网络模型的参数。本申请中的联邦监控指从所有的候选的监控中选择出的参与本申请的训练过程的监控。
[0082]
需要说明的是，第二本地服务器中对于初始递归神经网络的训练过程的表达式与第一本地服务器对初始反向神经网络的训练过程的表达式相同，此处不再赘述。
[0083]
在本实施例中，基于联邦学习的道路预警方法运行于其上的电子设备(例如图1所示的第一本地服务器或第二本地服务器)可以通过有线连接方式或者无线连接方式接收中央服务器传输的初始反向神经网络模型或初始递归神经网络模型。需要指出的是，上述无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
[0084]
s3：中央服务器分别接收所述第一参数和所述第二参数，通过增强算法分别对所述第一参数和所述第二参数进行聚合处理，分别获得第一目标参数和第二目标参数，并分别将所述第一目标参数和所述第二目标参数传给所述第一本地服务器和所述第二本地服务器。
[0085]
在本实施例中，本申请的增强算法为fedavg增强算法。fedavg算法是联邦学习中的重要方法，fedavg的主要内容就在于将各用户自己训练的参数整合起来进行平均。本申请通过对第一参数和第二参数进行聚合处理，获得聚合后的第一目标参数和第二目标参数，用于后续的联邦训练过程。
[0086]
具体的，在步骤s3中，即所述中央服务器分别接收所述第一参数和所述第二参数，通过增强算法分别对所述第一参数和所述第二参数进行聚合处理，分别获得第一目标参数和第二目标参数的步骤包括：
[0087]
中央服务器分别接收所述第一参数和所述第二参数，分别对所述第一参数和所述第二参数进行平均操作，分别获得所述第一目标参数和所述第二目标参数，所述第一目标参数的特征为:
[0088]
其中，w’为所述第一目标参数，n为联邦车辆个数，n
k
为第k个联邦车辆，n
k
数值恒为1，为所述第一参数；
[0089]
所述第二目标参数的特征为：其中，v’为所述第二目标参数，m为联邦监控个数，m
p
为第p个联邦监控，m
p
数值恒为1，为所述第二参数。
[0090]
在本实施例中，中央服务器通过对接收到的各第一本地服务器的第一参数根据公式进行平均操作，获得第一目标参数，第一目标参数聚合了各第一本地服务器对应的联邦车辆的特征。中央服务器通过对接收到的各第二本地服务器的第二参数根据公式进行平均操作，获得第二目标参数，第二目标参数也即具有了各第二本地服务器对应的联邦监控的特征，如此，能够最终能够获得表现更佳的模型。
[0091]
s4：第一本地服务器接收所述第一目标参数，基于所述第一目标参数迭代更新所述初始反向神经网络模型，直至达到预设的停止条件，获得目标反向神经网络模型。
[0092]
在本实施例中，通过第一目标参数迭代更新初始反向神经网络模型，最终获得目
标反向神经网络模型，有效打破了数据壁垒，实现训练数据不出本地，所有的第一本地服务器依然能够联合训练模型。
[0093]
具体的，在步骤s4中，即所述第一本地服务器基于所述第一目标参数迭代更新所述初始反向神经网络模型，直至达到预设的停止条件，获得目标反向神经网络模型的步骤包括：
[0094]
第一本地服务器基于所述第一目标参数更新所述初始反向神经网络模型，获得中间反向神经网络模型，基于所述车辆指标数据训练所述中间反向神经网络模型，获得训练后的中间反向神经网络模型的参数；
[0095]
将训练后的中间反向神经网络模型的参数传输给中央服务器，以使所述中央服务器根据中间反向神经网络模型的参数生成第三目标参数；
[0096]
接收中央服务器传输的第三目标参数，通过所述第三目标参数迭代更新所述中间反向神经网络模型，直至达到预设的迭代次数，获得所述目标反向神经网络模型。
[0097]
在本实施例中，将训练后的中间反向神经网络模型的参数传输给中央服务器，以使所述中央服务器根据中间反向神经网络模型的参数生成第三目标参数，中央服务器根据接收到的参数再进行上述的聚合处理，获得聚合后的参数，作为第三目标参数，中央服务器将第三目标参数传输给第一本地服务器，第一本地服务服务器根据第三目标参数更新中间反向神经网络模型，获得更新后的中间反向神经网络模型，再通过本地存储的训练数据，即车辆指标数据，训练更新后的中间反向神经网络模型，如此循环，直至达到迭代次数e次，蝴蝶目标反向神经网络模型。
[0098]
s5：第一本地服务器实时获取当前车辆的待检测车辆指标数据，将所述待检测车辆指标数据输入至所述目标反向神经网络模型中，获得所述目标反向神经网络模型输出的车辆状态和车辆异常概率，确定所述车辆异常概率是否大于异常阈值，在所述车辆异常概率大于异常阈值时，向预设范围内的车辆和调度客户端发送车辆预警信号。
[0099]
在本实施例中，训练后获得的目标反向神经网络模型能够对车辆风险的类型进行界定和预警操作。在所述车辆异常概率大于异常阈值时，产生车辆预警信号，通过v2x(vehicle to x，车用无线通信技术)将车辆预警信号发送至周围车辆集群，提醒周围车辆避让该异常车辆，以提升行车的联动会遇决策。v2x(vehicle to x)使得车与车、车与基站、基站与基站之间能够通信。
[0100]
s6：第二本地服务器接收所述第二目标参数，基于所述第二目标参数迭代更新所述初始递归神经网络模型，直至达到预设的停止条件，获得目标递归神经网络模型。
[0101]
在本实施例中，通过第二目标参数迭代更新初始递归神经网络模型，最终获得目标递归神经网络模型，在保证数据隐私的情况下，有效打破了数据壁垒，获得表现更佳的目标递归神经网络模型。
[0102]
s7：第二本地服务器实时根据时间序列获取道路影像，将所述道路影像输入至所述目标递归神经网络模型中，获得所述目标递归神经网络模型输出的道路风险概率，确定所述道路风险概率是否大于第一道路风险阈值，在所述道路风险概率大于所述第一道路风险阈值时，向调度客户端发送第一道路风险预警信号。
[0103]
在本实施例中，通过训练后的目标递归神经网络模型对道路进行检测，在道路风险概率大于所述第一道路风险阈值时，在向调度客户端发送第一道路风险预警信号的同
时，也向在预设范围内的车辆发送第一道路风险预警信号，实现对交通事故进行检测和中控预警，以达到车路协同与联网通信。采用联邦学习机制训练好的目标递归神经网络模型，在真实场景中如主要交通要道、违章频发的路口、交通拥堵道路等，能面向车辆内部预警以及道路检测做出更准确和快速的预警和识别推断。
[0104]
s8：在调度客户端同时接收到车辆预警信号和第一道路风险预警信号时，调度客户端判断所述车辆预警信号携带的第一地理位置和所述第一道路风险预警信号携带的第二地理位置之间的距离是否小于范围阈值，在所述第一地理位置和所述第二地理位置之间的距离小于范围阈值时，向指定人员发送道路调控通知。
[0105]
在本实施例中，本申请利用反向神经网络模型和递归神经网络模型，对可能发生交通事故的情况进行自动检测和中控预警，在同时接收到的车辆预警信号和第一道路风险预警信号的地理位置之间的距离小于范围阈值时，确定该两个地理位置之间的区域会发生交通事故、交通拥堵等，进而向指定人员发送道路调控通知，以降低交通事故的发生概率，提升道路安全。其中对于调度客户端同时接收到车辆预警信号和第一道路风险预警信号中的同时是指同一时间点或者接收到车辆预警信号和第一道路风险预警信号的时间间隔小于预设的时间间隔阈值，即确认为是同时接收到两个信号，通过本申请的方案能够合理调配交通警力实现交通智能化管理和运营。
[0106]
在本实施例的一些可选的实现方式中，在步骤s5，即所述确定所述车辆异常概率是否大于异常阈值，在所述车辆异常概率大于异常阈值时，向预设范围内的车辆和调度客户端发送车辆预警信号的步骤之后，上述电子设备还可以执行以下步骤：
[0107]
调度客户端接收所述第一本地服务器发送的安全预警信号，确定发送所述安全预警信号的第一本地服务器，作为预警本地服务器，根据所述预警本地服务器确定出与所述预警本地服务器相关联的联邦车辆，作为目标车辆；
[0108]
调度客户端确定所述目标车辆的地理位置，基于所述目标车辆的地理位置，从所述联邦监控中确定出目标联邦监控，基于所述目标联邦监控确定与所述目标联邦监控相关联的第二本地服务器，作为目标第二本地服务器；
[0109]
调度客户端向所有的所述目标第二本地服务器发送道路监控预警信号；
[0110]
在步骤s7，即在所述第二本地服务器实时根据时间序列获取道路影像，将所述道路影像输入至所述目标递归神经网络模型中，获得所述目标递归神经网络模型输出的道路风险概率的步骤之后，上述电子设备还可以执行以下步骤：
[0111]
在所述第二本地服务器接收到调度客户端发送的道路监控预警信号时，所述第二本地服务器确定所述道路风险概率是否大于第二道路风险阈值，在所述道路风险概率大于所述第二道路风险阈值时，向所述调度客户端发送第二道路风险预警信号，其中，所述第二道路风险阈值小于所述第一道路风险阈值。
[0112]
在本实施例中，调度客户端在接收到所述第一本地服务器发送的安全预警信号后，基于该安全预警信号确定出目标车辆及其地理位置，进而根据目标车辆的地理位置将在其预设范围内的联邦监控作为目标联邦监控，进而确定出目标第二本地服务器，向目标第二本地服务器发送道路监控预警信号，从而对有可能出现问题的车辆所处的道路进行重点追踪。具体方式为调低道路风险阈值，即通过第二道路风险阈值与道路风险概率进行对比，确定是否可能发生道路事故，在在所述道路风险概率大于所述第二道路风险阈值时，确
定当前道路有可能发生事故，向所述调度客户端发送第二道路风险预警信号，以便更迅速地发现交通状况异常或事故，调度客户端接收到第二道路风险预警信号后，能够及时进行交通疏导和警力调度。
[0113]
在本实施例的一些可选的实现方式中，在步骤s1，即在所述各个第一本地服务器分别接收中央服务器传输的初始反向神经网络模型，并获取对应的联邦车辆的车辆指标数据的步骤之前，上述电子设备还可以执行以下步骤：
[0114]
中央服务器根据预设的分发比例确定联邦车辆个数n；
[0115]
接收各个候选本地服务器传输的异常指数，将所述候选本地服务器根据所述异常指数降序排序，获得指数列表；
[0116]
选取所述指数列表中前n个候选本地服务器作为所述第一本地服务器，并将所述第一本地服务器对应的车辆作为所述联邦车辆。
[0117]
在本实施例中，对于联邦车辆的选择，本申请候选本地服务器获取每个车辆的车辆指标数据，确定各车辆的车辆指标数据的异常指数，即异常率，将异常指数传输给中央服务器，中央服务器根据异常指数对所述候选本地服务器进行排序，获得异常率排序表，将异常率排序表中前n个候选本地服务器作为第一本地服务器，第一本地服务器对应的车辆作为联邦车辆。由于车辆的异常指数高，则表示该车辆的异常样本多，更加便于模型训练。
[0118]
当然，本申请还可以将车辆指标数据中的类别，如负载类、耗油量类等设置对应的不同大小的权重；分别计算每个车辆的车辆指标数据中的各类别的类别异常率，基于类别对应的权重，对类别异常率进行加权求和，获得综合异常率；中央服务器接收候选本地服务器上传的综合异常率，根据所述综合异常率对所述候选本地服务器进行排序，获得综合异常率排序表，将综合异常率排序表前n个候选本地服务器作为第一本地服务器，第一本地服务器对应的车辆作为所述联邦车辆。如此，可以选择典型的需要的类别，将其权重设置的较高，从而便于筛选出需要的训练样本，用于后续的联邦学习训练，实现获得更加具有针对性的目标反向神经网络模型。
[0119]
具体的，所述中央服务器根据预设的分发比例确定联邦车辆个数n的步骤包括：
[0120]
所述联邦车辆个数的特征为：n为总车辆个数和预设的分发比例的乘积，与1之间的最大值。
[0121]
在本实施例中，n＝max(c
×
k，1)，其中，c为总车辆个数，k为分发比例。k为分发比例，范围为0～1,本申请中k的值为50％。在总车辆中选择n个车辆作为联邦车辆，参与上述联邦学习训练的过程，通过分发比例控制总车辆中参与联邦训练的车辆的数量。通过设置n为总车辆个数和预设的分发比例的乘积，与1之间的最大值的步骤，避免了分发比例设置过小，导致c与k的乘积小于1，从而联邦车辆的个数小于1的情况出现。
[0122]
需要说明的是：对于联邦监控个数m的确定方式与所述联邦车辆个数n的确定方式相同，此处不再赘述。
[0123]
需要强调的是，为进一步保证上述目标反向神经网络模型和目标递归神经网络模型的私密和安全性，上述目标反向神经网络模型和目标递归神经网络模型还可以存储于一区块链的节点中。本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信
息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0124]
本申请可应用于智慧城管领域中，从而推动智慧城市的建设。
[0125]
本申请无需将所有数据集中在一起，中央服务器向第一本地服务器和第二本地服务器发送不同的神经网络模型，即初始反向神经网络模型和初始递归神经网络模型，进而第一本地服务器和第二本地服务器分别根据本地数据对接收到的神经网络模型进行训练，再将训练的模型参数传输给中央服务器，实现数据不离开本地，就能够与其他服务器的数据进行综合训练，在保证数据隐私的情况下，有效打破数据壁垒，进而有效提高训练后的目标反向神经网络模型和目标递归神经网络模型的模型表达效果。向预设范围内的车辆发送车辆预警信号，使得周围的车辆能够及时避让可能出现故障的车辆，从而减少交通事故的发生。调度客户端通过判断车辆预警信号和第一道路风险预警信号之间的地理位置的距离，在距离小于范围阈值时，向指定人员发送道路调控通知，能够帮助交通部门动态调整警力分布，合理分配交通资源，减少道路事故的发生，提高交通运输力。
[0126]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read
‑
only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
[0127]
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0128]
继续参考图1，作为对上述图2所示方法的实现，本申请提供了一种基于联邦学习的道路预警系统的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0129]
如图1所示，本实施例所述的基于联邦学习的道路预警系统包括：所述基于联邦学习的道路预警系统包括中央服务器100、第一本地服务器200、第二本地服务器300和调度客户端400，其中，所述第一本地服务器200，用于接收中央服务器100传输的初始反向神经网络模型，并获取对应的联邦车辆的车辆指标数据，基于所述车辆指标数据训练所述初始反向神经网络模型，获得训练后的初始反向神经网络模型的参数，作为第一参数，将所述第一参数传输给中央服务器100，其中，所述第一本地服务器200与所述联邦车辆为一一对应的关联关系；所述第二本地服务器300，用于接收中央服务器100传输的初始递归神经网络模型，并获取对应的联邦监控的道路监控图像数据，基于所述道路监控图像数据训练所述初始递归神经网络模型，获得训练后的初始递归神经网络模型的参数，作为第二参数，将所述第二参数传输给中央服务器100，其中，所述第二本地服务器300与所述联邦监控为一一对应的关联关系；所述中央服务器100，用于分别接收所述第一参数和所述第二参数，通过增强算法分别对所述第一参数和所述第二参数进行聚合处理，分别获得第一目标参数和第二
目标参数，并分别将所述第一目标参数和所述第二目标参数传给所述第一本地服务器200和所述第二本地服务器300；所述第一本地服务器200，用于接收所述第一目标参数，基于所述第一目标参数迭代更新所述初始反向神经网络模型，直至达到预设的停止条件，获得目标反向神经网络模型；所述第一本地服务器200，用于实时获取当前车辆的待检测车辆指标数据，将所述待检测车辆指标数据输入至所述目标反向神经网络模型中，获得所述目标反向神经网络模型输出的车辆状态和车辆异常概率，确定所述车辆异常概率是否大于异常阈值，在所述车辆异常概率大于异常阈值时，向预设范围内的车辆和调度客户端400发送车辆预警信号；所述第二本地服务器300，用于接收所述第二目标参数，基于所述第二目标参数迭代更新所述初始递归神经网络模型，直至达到预设的停止条件，获得目标递归神经网络模型；所述第二本地服务器300，用于实时根据时间序列获取道路影像，将所述道路影像输入至所述目标递归神经网络模型中，获得所述目标递归神经网络模型输出的道路风险概率，确定所述道路风险概率是否大于第一道路风险阈值，在所述道路风险概率大于所述第一道路风险阈值时，向调度客户端400发送第一道路风险预警信号；所述调度客户端400，用于在调度客户端400同时接收到车辆预警信号和第一道路风险预警信号时，判断所述车辆预警信号携带的第一地理位置和所述第一道路风险预警信号携带的第二地理位置之间的距离是否小于范围阈值，在所述第一地理位置和所述第二地理位置之间的距离小于范围阈值时，向指定人员发送道路调控通知。
[0130]
在本实施例中，本申请无需将所有数据集中在一起，中央服务器向第一本地服务器和第二本地服务器发送不同的神经网络模型，即初始反向神经网络模型和初始递归神经网络模型，进而第一本地服务器和第二本地服务器分别根据本地数据对接收到的神经网络模型进行训练，再将训练的模型参数传输给中央服务器，实现数据不离开本地，就能够与其他服务器的数据进行综合训练，在保证数据隐私的情况下，有效打破数据壁垒，进而有效提高训练后的目标反向神经网络模型和目标递归神经网络模型的模型表达效果。向预设范围内的车辆发送车辆预警信号，使得周围的车辆能够及时避让可能出现故障的车辆，从而减少交通事故的发生。调度客户端通过判断车辆预警信号和第一道路风险预警信号之间的地理位置的距离，在距离小于范围阈值时，向指定人员发送道路调控通知，能够帮助交通部门动态调整警力分布，合理分配交通资源，减少道路事故的发生，提高交通运输力。
[0131]
中央服务器100包括加密模块和传输模块，其中，加密模块用于通过aes加密函数对所述第一参数进行加密处理，获得加密数据。传输模块用于将所述加密数据传输给所述中央服务器100。
[0132]
在本实施例的一些可选的实现方式中，中央服务器100进一步用于：分别接收所述第一参数和所述第二参数，分别对所述第一参数和所述第二参数进行平均操作，分别获得所述第一目标参数和所述第二目标参数，所述第一目标参数的特征为:其中，w’为所述第一目标参数，n为联邦车辆个数，n
k
为第k个联邦车辆，n
k
数值恒为1，为所述第一参数；
[0133]
所述第二目标参数的特征为：其中，v’为所述第二目标参数，m为联邦监控个数，m
p
为第p个联邦监控，m
p
数值恒为1，为所述第二参数。
[0134]
第一本地服务器200包括更新模块、参数传输模块和迭代模块。其中，更新模块用于基于所述第一目标参数更新所述初始反向神经网络模型，获得中间反向神经网络模型，基于所述车辆指标数据训练所述中间反向神经网络模型，获得训练后的中间反向神经网络模型的参数；参数传输模块用于将训练后的中间反向神经网络模型的参数传输给中央服务器，以使所述中央服务器根据中间反向神经网络模型的参数生成第三目标参数100；迭代模块用于接收中央服务器100传输的第三目标参数，通过所述第三目标参数迭代更新所述中间反向神经网络模型，直至达到预设的迭代次数，获得所述目标反向神经网络模型。
[0135]
在本实施例的一些可选的实现方式中，调度客户端400还可以用于：接收所述第一本地服务器200发送的安全预警信号，确定发送所述安全预警信号的第一本地服务器200，作为预警本地服务器，根据所述预警本地服务器确定出与所述预警本地服务器相关联的联邦车辆，作为目标车辆；调度客户端400确定所述目标车辆的地理位置，基于所述目标车辆的地理位置，从所述联邦监控中确定出目标联邦监控，基于所述目标联邦监控确定与所述目标联邦监控相关联的第二本地服务器300，作为目标第二本地服务器300；调度客户端400向所有的所述目标第二本地服务器300发送道路监控预警信号。
[0136]
第二本地服务器300还可以用于在接收到调度客户端400发送的道路监控预警信号时，确定所述道路风险概率是否大于第二道路风险阈值，在所述道路风险概率大于所述第二道路风险阈值时，向所述调度客户端400发送第二道路风险预警信号，其中，所述第二道路风险阈值小于所述第一道路风险阈值。
[0137]
在本实施例的一些可选的实现方式中，中央服务器100还可以用于：根据预设的分发比例确定联邦车辆个数n；接收各个候选本地服务器传输的异常指数，将所述候选本地服务器根据所述异常指数降序排序，获得指数列表；选取所述指数列表中前n个候选本地服务器作为所述第一本地服务器，并将所述第一本地服务器对应的车辆作为所述联邦车辆200。
[0138]
在本实施例的一些可选的实现方式中，中央服务器100进一步用于：所述联邦车辆个数的特征为：n为总车辆个数和预设的分发比例的乘积，与1之间的最大值。
[0139]
本申请无需将所有数据集中在一起，中央服务器向第一本地服务器和第二本地服务器发送不同的神经网络模型，即初始反向神经网络模型和初始递归神经网络模型，进而第一本地服务器和第二本地服务器分别根据本地数据对接收到的神经网络模型进行训练，再将训练的模型参数传输给中央服务器，实现数据不离开本地，就能够与其他服务器的数据进行综合训练，在保证数据隐私的情况下，有效打破数据壁垒，进而有效提高训练后的目标反向神经网络模型和目标递归神经网络模型的模型表达效果。向预设范围内的车辆发送车辆预警信号，使得周围的车辆能够及时避让可能出现故障的车辆，从而减少交通事故的发生。调度客户端通过判断车辆预警信号和第一道路风险预警信号之间的地理位置的距离，在距离小于范围阈值时，向指定人员发送道路调控通知，能够帮助交通部门动态调整警力分布，合理分配交通资源，减少道路事故的发生，提高交通运输力。
[0140]
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图3，图3为本实施例计算机设备基本结构框图。
[0141]
所述计算机设备200包括通过系统总线相互通信连接存储器201、处理器202、网络接口203。需要指出的是，图中仅示出了具有组件201
‑
203的计算机设备200，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领
域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
[0142]
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
[0143]
所述存储器201至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器201可以是所述计算机设备200的内部存储单元，例如该计算机设备200的硬盘或内存。在另一些实施例中，所述存储器201也可以是所述计算机设备200的外部存储设备，例如该计算机设备200上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，所述存储器201还可以既包括所述计算机设备200的内部存储单元也包括其外部存储设备。本实施例中，所述存储器201通常用于存储安装于所述计算机设备200的操作系统和各类应用软件，例如基于联邦学习的道路预警方法的计算机可读指令等。此外，所述存储器201还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0144]
所述处理器202在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器202通常用于控制所述计算机设备200的总体操作。本实施例中，所述处理器202用于运行所述存储器201中存储的计算机可读指令或者处理数据，例如运行所述基于联邦学习的道路预警方法的计算机可读指令。
[0145]
所述网络接口203可包括无线网络接口或有线网络接口，该网络接口203通常用于在所述计算机设备200与其他电子设备之间建立通信连接。
[0146]
在本实施例中，打破数据壁垒，有效提高训练后的目标反向神经网络模型和目标递归神经网络模型的模型表达效果。调度客户端400向指定人员发送道路调控通知，能够帮助交通部门动态调整警力分布，合理分配交通资源，减少道路事故的发生，提高交通运输力。
[0147]
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于联邦学习的道路预警方法的步骤。
[0148]
在本实施例中，打破数据壁垒，有效提高训练后的目标反向神经网络模型和目标递归神经网络模型的模型表达效果。调度客户端400向指定人员发送道路调控通知，能够帮助交通部门动态调整警力分布，合理分配交通资源，减少道路事故的发生，提高交通运输力。
[0149]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下
前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
[0150]
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。