(EN) A federated transfer learning-based method and apparatus for training a traffic flow prediction model, a device, and a storage medium, relating to artificial intelligence technology. The method comprises: using a local database to train a traffic flow prediction model, and when a loss function converges, obtaining a local model gradient (S1); transferring, by means of transfer learning, the local model gradient to other participants participating in federated transfer learning, such that each participant respectively trains a model thereof (S2); when loss functions of the models of all the participants converge, sending the local model gradient to a cloud (S3); obtaining a standard traffic flow prediction model according to a model gradient that has undergone federated learning and is returned by the cloud (S4); and using the standard traffic flow prediction model to analyze traffic data, so as to obtain a traffic flow analysis result (S5). The invention improves the accuracy of the model and reduces calculation pressure for the model while protecting user data privacy.
(FR) L'invention concerne un procédé et un appareil basés sur un apprentissage par transfert fédéré pour former un modèle de prédiction de flux de trafic, un dispositif, et un support de stockage, se rapportant à la technologie de l'intelligence artificielle. Le procédé consiste : à utiliser une base de données locale pour former un modèle de prédiction de flux de trafic et, lorsqu'une fonction de perte converge, à obtenir un gradient de modèle local (S1); à transférer, au moyen d'un apprentissage par transfert, le gradient de modèle local à d'autres participants qui participent à l'apprentissage par transfert fédéré de telle sorte que chaque participant forme respectivement un modèle de celui-ci (S2); lorsque des fonctions de perte des modèles de tous les participants convergent, à envoyer le gradient de modèle local à un nuage (S3); à obtenir un modèle de prédiction de flux de trafic standard selon un gradient de modèle qui a subi un apprentissage fédéré et qui est renvoyé par le nuage (S4); et à utiliser le modèle de prédiction de flux de trafic standard pour analyser des données de trafic de sorte à obtenir un résultat d'analyse de flux de trafic (S5). L'invention améliore la précision du modèle et réduit la pression de calcul pour le modèle tout en protégeant la confidentialité des données d'utilisateur.
(ZH) 一种基于联邦迁移学习的交通流预测模型训练方法、装置、设备及存储介质，涉及人工智能技术，方法包括：利用本地数据库进行交通流预测模型的训练，在损失函数收敛时，得到本地模型梯度（S1）；通过迁移学习将所述本地模型梯度传输给参与联邦迁移学习的其他参与方进行各自模型的训练（S2）；当所有参与方的模型中的损失函数都收敛时，将所述本地模型梯度发送给云端（S3）；根据所述云端返回来的联邦学习之后的模型梯度，得到标准交通流预测模型（S4）；利用所述标准交通流预测模型对交通数据进行分析，得到交通流分析结果（S5）。实现了在保护用户数据隐私的条件下，提高模型精确性及降低模型计算压力。
