买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉广东工业大学申请的专利基于扩散模型与轻量化联邦学习的车辆轨迹生成方法、装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118379876B 。

龙图腾网通过国家知识产权局官网在2026-01-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410475811.0，技术领域涉及：G08G1/01；该发明授权基于扩散模型与轻量化联邦学习的车辆轨迹生成方法、装置是由高润权;康嘉文;李晓欢;朱元绍;刘毅;栗波设计研发完成，并于2024-04-19向国家知识产权局提交的专利申请。

本基于扩散模型与轻量化联邦学习的车辆轨迹生成方法、装置在说明书摘要公布了：本申请提供一种基于扩散模型与轻量化联邦学习的车辆轨迹生成方法、装置，包括：得到初始的全局生成模型；所述参数服务器从车辆的集合中任选至少2个车辆参与本轮的训练，并将全局模型参数发给选中的所述车辆；利用车辆的本地数据集训练本地扩散模型，并得到本轮训练后的扩散模型参数；车辆量化所述训练后的扩散模型参数，并发送给所述参数服务器；聚合所有被选中车辆上传的模型参数，得到调整后的全局模型；进行重复训练，得到最终的全局扩散模型；利用所述最终的全局扩散模型生成车辆轨迹数据；本方法能够低耗生成高质量的轨迹数据的同时确保用户数据的隐私安全。

本发明授权基于扩散模型与轻量化联邦学习的车辆轨迹生成方法、装置在权利要求书中公布了：1.一种基于扩散模型与轻量化联邦学习的车辆轨迹生成方法，其特征在于，包括： 通过参数服务器利用预设领域的公共数据集对初始的全局模型进行预训练，得到初始的全局生成模型； 在任一轮所述参数服务器与车辆通信的过程中，所述参数服务器从车辆的集合中任选至少2个车辆参与本轮的训练，并将全局模型参数发给选中的所述车辆； 每个被选中的车辆同时接收到新的全局模型参数后，利用已知的本地数据集训练本地扩散模型，并得到本轮训练后的扩散模型参数； 车辆量化所述训练后的扩散模型参数，并发送给所述参数服务器，以不共享任何隐私数据，只共享加密参数； 所述参数服务器在获取所有车辆上传的量化的扩散模型参数后，聚合所有被选中车辆上传的模型参数，得到调整后的全局模型； 通过将所述全局模型发送至与所述参数服务器通信的所有车辆中，并进行重复训练，直至达到设定的通信轮数为止，得到最终的全局扩散模型； 利用所述最终的全局扩散模型生成车辆轨迹数据； 所述每个被选中的车辆同时接收到新的全局模型参数后，利用已知的本地数据集训练本地扩散模型，并得到本轮训练后的扩散模型参数，包括： 将任一车辆对应的本地数据集Dk划分为大小为B的批次； 从扩散步数序列中随机采样，从均值为0，方差为1的高斯分布中采样得到高斯噪声；向所述车辆的本地数据中的原始轨迹中逐步地添加噪声，得到t时刻时的加噪后的轨迹，并估计前向扩散过程中添加的噪声；通过损失函数，得到本轮训练后的扩散模型参数； 所述向所述车辆的本地数据中的原始轨迹中逐步地添加噪声，得到t时刻时的加噪后的轨迹，包括： 利用公式计算扩散步数为t时的加噪轨迹，这个过程旨在向原始轨迹中逐步地添加噪声，破坏原始轨迹的时空特征，从而得到t时刻的加噪后的轨迹； 其中，q为前向加噪过程中遵循的概率分布；t为扩散步数；xt为扩散步数为t时的加噪轨迹；x0为原始轨迹；αt=1-βt，βt是预先定义好的超参数，且满足；代表高斯分布；I为单位值；T为扩散步数的最大值； 所述估计前向扩散过程中添加的噪声，包括： 设定U-Net架构，给定一个输入的轨迹，其中m代表轨迹的经纬度，n代表轨迹的长度； U-Net架构中的每一个残差块为： ；其中，Conv代表一维卷积操作；表示非线性函数；t表示扩散步数；c表示轨迹外部属性；GN表示组归一化操作；l表示第l个残差块；temb表示对扩散步数编码后的向量；cemb表示对轨迹外部属性编码后的向量；Concat表示拼接操作； 将扩散步数t和轨迹外部属性c通过编码的方式加入到残差块当中： ； 其中，FC代表全连接层，SinTimeEmb为步骤索引编码； 设置中间注意力层，如下： ； ； 其中，；均为可学习的参数矩阵；T表示转置操作；d表示放缩因子；Xl是第l块残差块的输出； 所述参数量化所述训练后的扩散模型参数，并发送给所述参数服务器，包括： 利用随机量化函数将模型权重量化为，将扩散模型参数的数据类型从32位转化为q位，其公式如下： ； 其中，代表符号函数，s是缩放因子，是量化区间，对于每个元素的绝对值都存在； 给定量化位数q，的获取方法为： ；其中，、分别是非零元素的最大值、最小值； 所述参数服务器在获取所有车辆上传的量化的扩散模型参数后，聚合所有被选中车辆上传的模型参数，包括： 所述参数服务器收到所有车辆上传的量化的扩散模型参数后，通过联邦平均算法聚合所有车辆上传的模型参数，聚合方式如下： ； 其中，表示第k辆车在第i+1轮通信中上传的量化后的扩散模型参数;K表示参与训练的车辆的集合；表示第i+1轮通信后聚合得到的全局模型参数； 所述利用所述最终的全局扩散模型生成车辆轨迹数据，包括： 利用所述参数服务器随机产生任意数量的高斯噪声，并对这些高斯噪声逐步去噪得到车辆轨迹数据的步骤，包括： 将所述车辆轨迹数据的生成过程视作高斯噪声变成纯净轨迹的反向去噪过程，所述反向去噪过程表示如下： ； 其中，为反向去噪过程中遵循的概率分布；表示均值为0，方差为1的标准高斯噪声；表示最终生成的纯净轨迹； 所述将所述车辆轨迹数据的生成过程视作高斯噪声变成纯净轨迹的反向去噪过程，包括： 将所述车辆轨迹数据的生成过程视作高斯噪声变成纯净轨迹的反向去噪过程，其每一步表示为： ； 其中，均值和方差的获取方法如下： ； ；其中，表示以为输入的去噪网络的输出；c为轨迹外部属性；为是扩散步数为时的加噪轨迹。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人广东工业大学，其通讯地址为：510062 广东省广州市越秀区东风东路729号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。