技術特征：

1.一種異構車聯網個性化聯邦學習方法，其特征在于，該方法具體包括以下步驟：

2.根據權利要求1所述的異構車聯網個性化聯邦學習方法，其特征在于，步驟s1具體包括：云服務器基于用戶需求定制訓練目標，并根據訓練目標初始化局部迭代器、學習率大小、批數據量大小、本地迭代次數以及訓練輪次，并生成初始的全局聯邦學習模型；云服務器通過路邊單元初始化參與本次聯邦訓練的車輛客戶端。

3.根據權利要求1所述的異構車聯網個性化聯邦學習方法，其特征在于，步驟s2具體包括以下步驟：

4.根據權利要求3所述的異構車聯網個性化聯邦學習方法，其特征在于，步驟s22中，車輛客戶端在本地訓練樣本數據時的訓練時延定義為：

5.根據權利要求3所述的異構車聯網個性化聯邦學習方法，其特征在于，步驟s23具體包括：若車輛vk的發射功率為pk，路徑損耗指數為γ，噪聲功率譜密度為n0，則在當前路邊單元覆蓋范圍下，車輛客戶端的數據傳輸速率表示為：

6.根據權利要求3所述的異構車聯網個性化聯邦學習方法，其特征在于，步驟s24具體包括：假設在經過邊緣服務器時車輛客戶端保持其速度不變，通過當前路邊單元的覆蓋范圍車輛客戶端vk的行駛速度vk，計算出其在當前路邊單元覆蓋范圍內的停留時間：

7.根據權利要求3所述的異構車聯網個性化聯邦學習方法，其特征在于，步驟s3具體包括：根據當前車輛客戶端收集的數據集質量以及采用的損失函數，訓練得到車輛客戶端的本地模型，表示為：

8.根據權利要求7所述的異構車聯網個性化聯邦學習方法，其特征在于，步驟s4具體包括以下步驟：

技術總結
本發明涉及一種異構車聯網個性化聯邦學習方法，屬于車聯網數據分析領域。該方法是基于云?邊?端三層架構進行聯邦學習，用戶層負責數據收集、本地模型訓練以及個性化模型參數分解與構建；邊緣層負責聚合其覆蓋范圍內車輛客戶端本地模型的基礎知識部分；云服務器層負責聚合所有邊緣層的邊緣基礎知識。針對個性化模型參數分解與構建，采用二維離散余弦變換區分車輛客戶端本地模型的基礎知識和個性化知識，在融合其他車輛客戶端基礎知識的同時，保留自身的細粒度個性化知識。相比于其他個性化聯邦學習方法，本發明在保證模型性能的同時降低模型訓練時間，滿足聯網場景中的低復雜度要求。

技術研發人員：張普寧,邵淑滿,鄒虹,楊志剛,王汝言,張鴻
受保護的技術使用者：重慶郵電大學
技術研發日：
技術公布日：2025/4/24