山东大学学报(工学版)

作者：刘新,刘冬兰,付婷,王勇,常英贤,姚洪磊,罗昕,王睿,张昊

单位：1.国网山东省电力公司电力科学研究院, 山东 济南 250003;2.山东省智能电网技术创新中心, 山东 济南 250003;3.山东大学软件学院, 山东 济南 250101;4.国网山东省电力公司, 山东 济南 250001

关键词：联邦学习,机器学习,时间序列预测,分布式系统,深度学习,

基金：国网山东省电力公司科技资助项目(520626220018)

为应对不断升级的数据隐私保护需求,提出一种基于分布式场景下的时间序列预测算法。该算法主要改进体现在以下两个方面:在客户端模型本地训练阶段,通过正则化项约束本地模型训练方向,解决本地模型漂移问题;在全局模型聚合阶段,提出客户端贡献估计策略,根据客户端贡献程度分配权重,保护客户端协作公平性,提升全局模型泛化能力。为验证改进后算法有效性,在ETTh1数据集、ETTm1数据集和Weather数据集上将其与基线联邦学习算法FedAvg对比。试验结果表明,改进后算法在ETTh1数据集上均方误差EMS平均降低2.99%,在ETTm1数据集上EMS平均降低3.57%。在算法中加入正则化项和客户端贡献估计策略,EMS分别下降0.84%和2.78%,同时加入这两个模块,EMS降低3.03%,验证提出的算法在预测性能方面表现出更高预测准确性。

来源：2024年第3期

《山东大学学报(工学版)》期刊编辑部

查看山东大学学报(工学版)杂志2024年第3期