本發(fā)明涉及流量預(yù)測(cè)，尤其涉及一種基于多方縱向聯(lián)邦學(xué)習(xí)的人群流量預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、隨著人口增長(zhǎng)和城市規(guī)模擴(kuò)大，傳統(tǒng)城市規(guī)劃方法難以應(yīng)對(duì)復(fù)雜的動(dòng)態(tài)人流變化，人群流量預(yù)測(cè)成為優(yōu)化資源配置、緩解交通擁堵和提升城市管理效率的關(guān)鍵技術(shù)需求；

2、現(xiàn)有技術(shù)中出現(xiàn)了很多用于人群流量預(yù)測(cè)的方法，例如：

3、專利申請(qǐng)?zhí)枮閏n119204362a的一種城市區(qū)域人群流量預(yù)測(cè)方法及相關(guān)設(shè)備，通過(guò)結(jié)合空間異質(zhì)趨勢(shì)和時(shí)空壓縮殘差，來(lái)計(jì)算目標(biāo)城市區(qū)域的未來(lái)人群流量數(shù)據(jù)，進(jìn)而提升未來(lái)人群流量的預(yù)測(cè)精度；

4、專利申請(qǐng)?zhí)枮閏n118551893a的一種面向5g需求的人群流量大數(shù)據(jù)預(yù)測(cè)方法，通過(guò)綜合利用自動(dòng)化學(xué)習(xí)和高級(jí)網(wǎng)絡(luò)模型，來(lái)提升了群流量預(yù)測(cè)的準(zhǔn)確性和效率，并能夠適用于5g時(shí)代的大數(shù)據(jù)環(huán)境；

5、專利申請(qǐng)?zhí)枮閏n116402186a的一種基于時(shí)空增強(qiáng)學(xué)習(xí)網(wǎng)絡(luò)的人群流量預(yù)測(cè)方法，明通過(guò)多種鄰接矩陣的構(gòu)造方式并引入自注意力機(jī)制來(lái)實(shí)現(xiàn)，來(lái)增強(qiáng)模型挖掘時(shí)間與空間依賴關(guān)系的能力，具有更強(qiáng)的準(zhǔn)確性，從而能夠有效地提升人群流量預(yù)測(cè)的精度。

6、但現(xiàn)有技術(shù)為了提高人群流量預(yù)測(cè)的精準(zhǔn)性，大都賴于多源異構(gòu)數(shù)據(jù)的融合建模，通過(guò)引入時(shí)空?qǐng)D卷積網(wǎng)絡(luò)、層次化特征分解等技術(shù)提升了預(yù)測(cè)精度，但在實(shí)際應(yīng)用中未考慮數(shù)據(jù)共享依賴性，均需將多源數(shù)據(jù)集中式傳輸至統(tǒng)一平臺(tái)進(jìn)行融合建模，跨不同部門(mén)之間的直接交互違反隱私安全條例，存在數(shù)據(jù)泄露法律風(fēng)險(xiǎn)；上述技術(shù)存在多部門(mén)協(xié)同設(shè)計(jì)缺陷，采用殘差網(wǎng)絡(luò)或圖注意力機(jī)制雖能捕捉局部時(shí)空關(guān)聯(lián)，但未設(shè)計(jì)多方參與的聯(lián)邦架構(gòu)，無(wú)法支持?jǐn)?shù)據(jù)主權(quán)方與第三方服務(wù)商的跨組織協(xié)作。

7、由此可知，數(shù)據(jù)所有權(quán)分散、隱私合規(guī)風(fēng)險(xiǎn)以及網(wǎng)絡(luò)動(dòng)態(tài)變化導(dǎo)致傳統(tǒng)集中式建模面臨以下挑戰(zhàn)：一是數(shù)據(jù)孤島問(wèn)題，例如交通流量數(shù)據(jù)由交管部門(mén)持有，氣象/poi數(shù)據(jù)由第三方服務(wù)商管理，直接共享原始數(shù)據(jù)違反隱私法規(guī)；二是模型異構(gòu)性，流量數(shù)據(jù)的時(shí)空特征與外部因素的非線性關(guān)聯(lián)差異顯著，單一模型難以高效融合；三是動(dòng)態(tài)適應(yīng)性差：傳統(tǒng)聯(lián)邦學(xué)習(xí)采用全局參數(shù)更新，無(wú)法適應(yīng)不同參與方數(shù)據(jù)的局部特征動(dòng)態(tài)變化。

8、因此，本發(fā)明提出了一種基于多方縱向聯(lián)邦學(xué)習(xí)的人群流量預(yù)測(cè)方法及系統(tǒng)來(lái)解決上述問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明針對(duì)現(xiàn)有技術(shù)的不足，研制一種基于多方縱向聯(lián)邦學(xué)習(xí)的人群流量預(yù)測(cè)方法及系統(tǒng)，本發(fā)明通過(guò)縱向聯(lián)邦學(xué)習(xí)，可以實(shí)現(xiàn)跨域、多模態(tài)數(shù)據(jù)的安全協(xié)同建模，構(gòu)建高精度且隱私可控的人群流量預(yù)測(cè)系統(tǒng)，為智慧城市提供動(dòng)態(tài)化、精細(xì)化的決策支持。

2、一方面，本發(fā)明解決技術(shù)問(wèn)題的技術(shù)方案為一種基于多方縱向聯(lián)邦學(xué)習(xí)的人群流量預(yù)測(cè)方法，包括以下步驟：

3、s1、多方數(shù)據(jù)本地特征編碼：

4、數(shù)據(jù)持有方包括時(shí)空流量數(shù)據(jù)持有方和外部因素?cái)?shù)據(jù)持有方，各數(shù)據(jù)持有方獨(dú)立構(gòu)建各自本地模型；

5、時(shí)空流量數(shù)據(jù)持有方的本地模型對(duì)時(shí)空人群流量數(shù)據(jù)進(jìn)行時(shí)空特征編碼，編碼采用卷積網(wǎng)絡(luò)提取局部區(qū)域的空間相關(guān)性特征，并結(jié)合循環(huán)神經(jīng)網(wǎng)絡(luò)捕獲時(shí)間依賴性，最終生成時(shí)空特征；

6、外部因素?cái)?shù)據(jù)持有方的本地模型對(duì)外部因素?cái)?shù)據(jù)進(jìn)行外部因素特征編碼，編碼采用多尺度時(shí)間編碼對(duì)外部因素?cái)?shù)據(jù)的時(shí)間特性進(jìn)行捕獲，并建立多層感知機(jī)編碼最終生成關(guān)聯(lián)特征；

7、s2、隱私保護(hù)分布式聯(lián)合建模：

8、各數(shù)據(jù)持有方通過(guò)隱私保護(hù)分布式聯(lián)合建模分別對(duì)時(shí)空特征和關(guān)聯(lián)特征分別進(jìn)行加密和差分隱私保護(hù)，然后各數(shù)據(jù)持有方將經(jīng)過(guò)加密和差分隱私保護(hù)后的特征傳輸至可信第三方的全局模塊；

9、s3、全局模塊與本地模型動(dòng)態(tài)更新：

10、可信第三方對(duì)接收到的時(shí)空特征進(jìn)行解密操作，將解密后的時(shí)空特征與經(jīng)過(guò)差分隱私保護(hù)后的關(guān)聯(lián)特征進(jìn)行特征融合，再將融合后的特征編碼輸入至多層感知機(jī)進(jìn)行人群流量預(yù)測(cè)，然后基于預(yù)測(cè)誤差反向傳播計(jì)算個(gè)性化梯度更新規(guī)則，隨后對(duì)可信第三方的全局模塊進(jìn)行模型梯度更新，再后將相應(yīng)本地模型的梯度更新傳播下發(fā)至多個(gè)數(shù)據(jù)持有方的本地模型進(jìn)行模型梯度更新。

11、多方數(shù)據(jù)結(jié)構(gòu)定義具體如下：

12、（1）時(shí)空流量數(shù)據(jù)持有方的數(shù)據(jù)結(jié)構(gòu)為時(shí)空人群流量張量，時(shí)空人群流量張量的時(shí)間序列表示為，，時(shí)間序列內(nèi)相鄰的時(shí)空人群流量張量時(shí)間間隔為，其中，具體表示第個(gè)時(shí)間步地理區(qū)域的流量分布，第二維度的表示地理區(qū)域劃分的網(wǎng)格行數(shù)，第三維度的表示地理區(qū)域劃分的網(wǎng)格列數(shù)，第一維度的2表示流量通道數(shù)為2，第一通道為單時(shí)間片網(wǎng)格單元的人群流量流入值，第二通道為單時(shí)間片網(wǎng)格單元的人群流量流出值，具體表示在第個(gè)時(shí)間步位于地理區(qū)域中第行第列網(wǎng)格單元但在個(gè)時(shí)間步不在的個(gè)體數(shù)量，具體表示在第個(gè)時(shí)間步位于地理區(qū)域中第行第列網(wǎng)格單元但在個(gè)時(shí)間步不在的個(gè)體數(shù)量；

13、人群中任意一個(gè)個(gè)體在地理區(qū)域中的軌跡表示為，軌跡經(jīng)過(guò)的網(wǎng)格集合表示為，，其中，表示個(gè)體在第個(gè)時(shí)間步的當(dāng)前位置坐標(biāo)，表示屬于時(shí)間間隔，表示的空間位置映射到網(wǎng)格位置；

14、人群流量流入值和人群流量流出值的數(shù)據(jù)結(jié)構(gòu)表示具體如下：

15、，

16、，

17、其中，表示所有個(gè)體軌跡覆蓋的位置集合，表示指示函數(shù)；

18、（2）外部因素?cái)?shù)據(jù)持有方數(shù)據(jù)結(jié)構(gòu)表示為，表示第種類別的外部因素?cái)?shù)據(jù)，表示外部因素?cái)?shù)據(jù)的類別，一種外部因素?cái)?shù)據(jù)類別對(duì)應(yīng)一種外部因素?cái)?shù)據(jù)持有方數(shù)，外部因素類別包括但不限于氣象數(shù)據(jù)、交通事件、節(jié)假日信息、社交媒體熱度，通過(guò)特征工程映射為統(tǒng)一的維向量，對(duì)于缺失或無(wú)效的外部因素?cái)?shù)據(jù)，的對(duì)應(yīng)維度填充預(yù)設(shè)空值標(biāo)識(shí)符。

19、本地模型對(duì)時(shí)空流量數(shù)據(jù)持有方的時(shí)空人群流量數(shù)據(jù)進(jìn)行時(shí)空特征編碼的過(guò)程具體如下：

20、在每個(gè)時(shí)間步內(nèi)，針對(duì)時(shí)空流量數(shù)據(jù)持有方的人群流量張量數(shù)據(jù)，首先根據(jù)卷積神經(jīng)網(wǎng)絡(luò)cnn模塊對(duì)的空間特征進(jìn)行提取，計(jì)算公式如下：

21、，

22、其中，表示3層卷積神經(jīng)網(wǎng)絡(luò)，表示空間特征張量，，表示進(jìn)行空間特征提取后的網(wǎng)格行數(shù)，表示進(jìn)行空間特征提取后的網(wǎng)格列數(shù)，表示空間特征張量的通道擴(kuò)展維度；

23、再將空間特征張量的張量在空間維度上進(jìn)行展開(kāi)，計(jì)算公式如下：

24、，

25、其中，表示展開(kāi)后的空間特征張量，表示展平操作；

26、再將展開(kāi)后的空間特征張量輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)rnn模塊學(xué)習(xí)時(shí)間特征，計(jì)算公式如下：

27、，

28、其中，表示循環(huán)神經(jīng)網(wǎng)絡(luò)rnn模塊的操作，表示輸出的時(shí)空特征，，表示時(shí)空特征的維度。

29、本地模型對(duì)外部因素?cái)?shù)據(jù)持有方的外部因素?cái)?shù)據(jù)進(jìn)行外部因素特征編碼的過(guò)程具體如下：

30、多個(gè)外部因素?cái)?shù)據(jù)持有方首先對(duì)數(shù)據(jù)進(jìn)行多尺度時(shí)間嵌入，以第個(gè)時(shí)間步為原始時(shí)間戳，將原始時(shí)間戳編碼為具有時(shí)空語(yǔ)義的稠密向量，同時(shí)捕捉周期性、趨勢(shì)性、事件突發(fā)性特征；

31、首先，將原始時(shí)間戳??解析為多尺度分量：

32、，

33、其中，??∈{0,1}為節(jié)假日二進(jìn)制值標(biāo)記；

34、然后，進(jìn)行多尺度周期編碼，對(duì)每個(gè)時(shí)間分量分別生成正弦-余弦編碼與可學(xué)習(xí)趨勢(shì)編碼，周期性編碼與趨勢(shì)編碼的計(jì)算如下：

35、，

36、，

37、其中，表示神經(jīng)網(wǎng)絡(luò)權(quán)重和表示神經(jīng)網(wǎng)絡(luò)偏置；

38、再進(jìn)行多尺度編碼融合，將各時(shí)間分量的編碼拼接后投影至統(tǒng)一空間，計(jì)算公式如下：

39、，

40、其中，表示激活函數(shù)，表示融合權(quán)重矩陣，表示拼接操作；

41、再根據(jù)生產(chǎn)隱式關(guān)聯(lián)參數(shù)，計(jì)算公式如下：

42、，

43、其中，表示激活函數(shù)，表示領(lǐng)域?qū)贆?quán)重矩陣，表示調(diào)節(jié)時(shí)間影響的基準(zhǔn)強(qiáng)度；

44、再根據(jù)對(duì)進(jìn)行多尺度擴(kuò)展，計(jì)算公式如下：

45、，

46、其中，表示擴(kuò)展后的第種類別的外部因素?cái)?shù)據(jù)；

47、的原始維度被擴(kuò)展為個(gè)時(shí)間領(lǐng)域耦合參數(shù)，每種外部因素?cái)?shù)據(jù)的維度通過(guò)的權(quán)重與時(shí)間上下文動(dòng)態(tài)綁定，滿足，其中，表示維度的索引，表示時(shí)間領(lǐng)域耦合參數(shù)數(shù)量的索引，表示維度為、時(shí)間領(lǐng)域耦合參數(shù)為的，表示維度為的，表示時(shí)間維度為、時(shí)間領(lǐng)域耦合參數(shù)為的，隨后對(duì)每個(gè)維度的進(jìn)行展開(kāi)，將二維特征壓縮為支持多層感知機(jī)mlp編碼器的一維向量，得到維度展開(kāi)的特征，為多源異構(gòu)多尺度時(shí)間編碼的數(shù)據(jù)，計(jì)算公式如下：

48、，

49、其中，表示維度為、時(shí)間領(lǐng)域耦合參數(shù)為的，表示維度展開(kāi)操作；

50、每種外部因素?cái)?shù)據(jù)持有方構(gòu)建多層感知機(jī)mlp編碼器，對(duì)進(jìn)行分析，經(jīng)過(guò)多層感知機(jī)網(wǎng)絡(luò)，得到第種外部因素?cái)?shù)據(jù)持有方輸出關(guān)聯(lián)特征，計(jì)算公式如下：

51、，

52、其中，表示第種類別外部因素?cái)?shù)據(jù)持有方構(gòu)建的多層感知機(jī)編碼器。

53、s2具體如下：

54、s2.1、對(duì)時(shí)空流量數(shù)據(jù)持有方的時(shí)空特征采用paillier同態(tài)加密算法加密，生成加密特征，然后將時(shí)空特征的加密特征通過(guò)安全通道傳輸至可信第三方節(jié)點(diǎn)的全局模塊；

55、s2.2、對(duì)多個(gè)外部因素?cái)?shù)據(jù)持有方的關(guān)聯(lián)特征注入差分隱私噪聲，，表示噪聲服從均值為0、方差為的正態(tài)分布，表示松弛參數(shù)，表示隱私保護(hù)強(qiáng)度，得到加噪后的關(guān)聯(lián)特征，隨后將加噪后的關(guān)聯(lián)特征通過(guò)安全通道傳輸至可信第三方節(jié)點(diǎn)的全局模塊。

56、s3具體如下：

57、s3.1、人群流量預(yù)測(cè)：

58、（1）可信第三方的全局模塊對(duì)接收的時(shí)空特征的加密特征解密，使用paillier私鑰對(duì)加密的特征逐元素解密，解密后最終獲得時(shí)空流量數(shù)據(jù)持有方的時(shí)空特征；

59、（2）當(dāng)時(shí)空流量數(shù)據(jù)持有方的時(shí)空特征和外部因素?cái)?shù)據(jù)持有方的加噪后的關(guān)聯(lián)特征傳輸至可信第三方的全局模塊的通信延遲超過(guò)閾值時(shí)，全局模塊切換至歷史緩存預(yù)測(cè)模式，啟用平滑缺失值填補(bǔ)算法，缺失值填補(bǔ)算法滿足以下計(jì)算公式：

60、，

61、，

62、其中，表示歷史權(quán)重因子，表示在時(shí)間上的期望，表示的時(shí)刻的歷史值，表示的至?xí)r刻的歷史值，表示的時(shí)刻的歷史值，表示的至?xí)r刻的歷史值；

63、（3）根據(jù)融合策略將解密后的的時(shí)空特征和多方的關(guān)聯(lián)特征的加密特征融合為聯(lián)合特征；

64、融合策略包括兩種模式，特征連接模式和特征求和模式；

65、采用特征連接模式的融合策略時(shí)，對(duì)應(yīng)的計(jì)算公式如下：

66、，

67、其中，表示第個(gè)的維度，表示外部因素?cái)?shù)據(jù)的類別的索引；

68、采用特征求和模式的融合方式時(shí)，對(duì)應(yīng)的計(jì)算公式如下：

69、，

70、其中，表示廣播加法運(yùn)算，此時(shí)特征維度滿足；

71、（4）再將聯(lián)合特征輸入多層感知機(jī)mlp網(wǎng)絡(luò)，最終生成人群流量張量數(shù)據(jù)對(duì)應(yīng)的預(yù)測(cè)的未來(lái)流量，計(jì)算公式如下：

72、

73、其中，表示屬于可信第三方全局模塊構(gòu)建的多層感知機(jī)；

74、s3.2、模型動(dòng)態(tài)更新：

75、（1）根據(jù)預(yù)測(cè)的未來(lái)流量與人群流量張量數(shù)據(jù)對(duì)應(yīng)的真實(shí)值計(jì)算均方根誤差損失，計(jì)算公式如下：

76、，

77、其中，表示第個(gè)預(yù)測(cè)的未來(lái)流量，表示第個(gè)真實(shí)值，表示參與訓(xùn)練的數(shù)據(jù)數(shù)量；

78、（2）利用均方根誤差損失計(jì)算個(gè)性化梯度策略，具體針對(duì)可信第三方全局模塊的融合特征，計(jì)算信第三方全局模塊的梯度策略，計(jì)算公式如下:

79、，

80、針對(duì)時(shí)空流量數(shù)據(jù)持有方的時(shí)空特征，計(jì)算時(shí)空流量數(shù)據(jù)持有方的梯度策略，計(jì)算公式如下：

81、，

82、針對(duì)每個(gè)外部因素?cái)?shù)據(jù)持有方的關(guān)聯(lián)特征，計(jì)算每個(gè)外部因素?cái)?shù)據(jù)持有方的梯度策略：

83、；

84、（3）根據(jù)可信第三方全局模塊的梯度策略，對(duì)可信第三方全局模塊的個(gè)性化參數(shù)進(jìn)行更新：

85、，

86、其中，表示學(xué)習(xí)率，表示時(shí)刻更新后的可信第三方全局模塊的參數(shù)，表示時(shí)刻更新前的可信第三方全局模塊模型參數(shù)；

87、（4）將多方的梯度策略和分別下發(fā)至?xí)r空流量數(shù)據(jù)持有方和多個(gè)外部因素?cái)?shù)據(jù)持有方，對(duì)本地端的個(gè)性化參數(shù)進(jìn)行更新；

88、對(duì)時(shí)空流量數(shù)據(jù)持有方的梯度進(jìn)行更新，計(jì)算公式如下：

89、，

90、其中，表示學(xué)習(xí)率，表示時(shí)刻更新后的時(shí)空流量數(shù)據(jù)持有方本地模型參數(shù)，表示時(shí)刻更新前的時(shí)空流量數(shù)據(jù)持有方本地模型參數(shù)；

91、對(duì)每個(gè)外部因素?cái)?shù)據(jù)持有方的梯度進(jìn)行更新，計(jì)算公式如下：

92、，

93、其中，表示學(xué)習(xí)率，表示時(shí)刻更新后的外部因素?cái)?shù)據(jù)持有方本地模型參數(shù)，表示時(shí)刻更新前的外部因素?cái)?shù)據(jù)持有方本地模型參數(shù)。

94、另一方面，本發(fā)明還提供了一種基于多方縱向聯(lián)邦學(xué)習(xí)的人群流量預(yù)測(cè)系統(tǒng)，包括用于執(zhí)行一種基于多方縱向聯(lián)邦學(xué)習(xí)的人群流量預(yù)測(cè)方法中各個(gè)步驟處理指令的模塊；

95、多方數(shù)據(jù)本地特征編碼模塊：包括時(shí)空特征編碼子模塊和外部因素編碼子模塊，時(shí)空特征編碼子模塊和外部因素編碼子模塊分別通過(guò)本地模型對(duì)時(shí)空流量數(shù)據(jù)持有方和外部因素?cái)?shù)據(jù)持有方進(jìn)行特征編碼；

96、隱私保護(hù)分布式聯(lián)合建模模塊：包括時(shí)空特征編碼加密子模塊和外部因素差分隱私子模塊，通過(guò)兩個(gè)子模塊分別對(duì)各個(gè)數(shù)據(jù)持有方的本地特征編碼進(jìn)行分布式隱私保護(hù)，并安全傳輸至可信第三方全局模塊；

97、全局模塊與模型動(dòng)態(tài)更新模塊：包括解密處理子模塊、特征融合子模塊、預(yù)測(cè)子模塊和反向傳播與個(gè)性化梯度計(jì)算子模塊，解密處理子模塊對(duì)傳輸至可信第三方全局模塊特征進(jìn)行解密，然后將解密后的時(shí)空特征與傳輸至可信第三方全局模塊的外部因素持有方的加噪后的關(guān)聯(lián)特征進(jìn)行融合，將融合結(jié)果輸入至預(yù)測(cè)子模塊和反向傳播與個(gè)性化梯度計(jì)算子模塊進(jìn)行人群流量預(yù)測(cè)和個(gè)性化梯度計(jì)算；

98、系統(tǒng)控制與通信協(xié)調(diào)模塊：包括通信監(jiān)控子模塊、時(shí)空流量數(shù)據(jù)持有方本地模型參數(shù)更新子模塊和本地模型更新子模塊，通過(guò)通信監(jiān)控子模塊判斷是否切換至?xí)r空流量數(shù)據(jù)持有方本地模型參數(shù)更新子模塊，利用緩存的歷史數(shù)據(jù)進(jìn)行預(yù)測(cè)，并通過(guò)本地模型更新子模塊對(duì)本地模型進(jìn)行更新。

99、
技術(shù)實(shí)現(xiàn)要素：
中提供的效果僅僅是實(shí)施例的效果，而不是發(fā)明所有的全部效果，上述技術(shù)方案具有如下優(yōu)點(diǎn)或有益效果：

100、（1）本發(fā)明通過(guò)縱向聯(lián)邦學(xué)習(xí)技術(shù)整合多種外部因素，可以構(gòu)建高效的時(shí)空人群流量模型，實(shí)現(xiàn)了多源異構(gòu)數(shù)據(jù)的高效融合，且各數(shù)據(jù)持有方之間無(wú)需共享原始數(shù)據(jù)，解決了傳統(tǒng)方法在多部門(mén)協(xié)同建模中的數(shù)據(jù)孤島問(wèn)題，同時(shí)時(shí)空流量數(shù)據(jù)持有方和外部因素?cái)?shù)據(jù)持有方的本地模型的異構(gòu)性可以更好學(xué)習(xí)不同數(shù)據(jù)類型的分布，顯著提升了群體流量預(yù)測(cè)的準(zhǔn)確性；

101、（2）通過(guò)多尺度時(shí)間編碼機(jī)制對(duì)外部因素進(jìn)行有效的多尺度時(shí)間編碼，小時(shí)周期編碼用于捕獲日內(nèi)周期模式，如通勤規(guī)律，月份趨勢(shì)編碼來(lái)建模長(zhǎng)期演化特征，如季節(jié)性變化，節(jié)假日標(biāo)記強(qiáng)化事件突發(fā)影響，進(jìn)而使外部因素?cái)?shù)據(jù)的周期性特征得帶充分利用；

102、（3）對(duì)時(shí)空流量數(shù)據(jù)和外部因素?cái)?shù)據(jù)進(jìn)行差異化的隱私保護(hù)，針對(duì)時(shí)空流量數(shù)據(jù)的高敏感性，采用paillier同態(tài)加密進(jìn)行傳輸保護(hù)，對(duì)于外部因素?cái)?shù)據(jù)，通過(guò)差分隱私噪聲注入實(shí)現(xiàn)差分隱私，在保護(hù)個(gè)體事件敏感信息的同時(shí)保留統(tǒng)計(jì)特性，該雙軌保護(hù)模式既保障在傳輸中關(guān)鍵數(shù)據(jù)的隱私安全，又借助差分隱私在統(tǒng)計(jì)推斷層面控制敏感信息的泄露風(fēng)險(xiǎn)，使得整個(gè)架構(gòu)在隱私保護(hù)強(qiáng)度與數(shù)據(jù)可用性之間具有一定平衡性；

103、（4）通過(guò)對(duì)時(shí)空流量數(shù)據(jù)持有方采用卷積神經(jīng)網(wǎng)絡(luò)（cnn）和循環(huán)神經(jīng)網(wǎng)絡(luò)（rnn）提取時(shí)空流量特征，對(duì)不同的外部因素?cái)?shù)據(jù)持有方可根據(jù)特征維度設(shè)計(jì)mlp的規(guī)模大小，增強(qiáng)了數(shù)據(jù)處理的靈活性，同時(shí)通過(guò)對(duì)不同的特征類型采取融合策略，減少了特征冗余，有效解決了多源數(shù)據(jù)在特征空間上的不一致性問(wèn)題；

104、（5）通過(guò)設(shè)置平滑填補(bǔ)算法，可以解決通信過(guò)程中可能出現(xiàn)的延遲問(wèn)題，當(dāng)通信延遲超過(guò)設(shè)定的閾值時(shí)，機(jī)制會(huì)自動(dòng)切換到歷史特征插值模式，利用緩存的歷史數(shù)據(jù)進(jìn)行預(yù)測(cè)，從而確保即使在出現(xiàn)數(shù)據(jù)丟包等不利情況下，系統(tǒng)仍能保持對(duì)人群流量的準(zhǔn)確預(yù)測(cè)，保證預(yù)測(cè)的可用性和穩(wěn)定性。

105、綜上，本發(fā)明可以實(shí)現(xiàn)跨域、多模態(tài)數(shù)據(jù)的安全協(xié)同建模，構(gòu)建高精度且隱私可控的人群流量預(yù)測(cè)系統(tǒng)，為智慧城市提供動(dòng)態(tài)化、精細(xì)化的決策支持。