Туманные альянсы: децентрализованная облачная структура с федеративным машинным обучением для городских сетевых вселенных

Актуальность. В последние годы интеллектуальные транспортные системы играют важную роль в управлении городом и снижении транспортных рисков, став одной из инфраструктурных технологий для будущих городских сетевых вселенных. Одной из ключевых задач является повышение эффективности систем в части точного прогнозирования транспортного трафика в реальном времени. Традиционные централизованные модели глубокого обучения страдают от задержек в сети и уязвимости центрального сервера как по безопасности, так и по вычислительной нагрузке.

Целью работы является разработка децентрализованной облачной структуры на основе динамических туманных вычислений и федеративного машинного обучения для прогнозирования трафика в ИТС, устраняющей зависимость от центрального сервера и обеспечивающей отказоустойчивость системы. В интересах достижения цели исследования в работе используются методы анализа существующих публикаций в предметной области, математического моделирования и программного моделирования (верификация модели на реальных данных) для оценки результатов. Предлагаемая облачная структура объединяет три технологии: децентрализованное федеративное обучение, туманные вычисления и адаптивные графовые сверточные рекуррентные сети.

Результат. Предложенная структура эффективно работает без центрального сервера. На наборах PeMSD4 и PeMSD7(M) потребность в сетевых ресурсах снижена на 48 % по сравнению с традиционными методами FL, скорость сходимости выше на 17,8 %, точность прогноза сопоставима с моделями, использующими центральный сервер. Предложена новая децентрализованная архитектура, полностью исключающая центральный сервер при сохранении баланса между точностью, эффективностью и потреблением сетевых ресурсов.

Теоретическая значимость. Подтверждена обоснованность интеграции динамических туманных вычислений с децентрализованным федеративным обучением. Применение AGCRN на уровне туманных узлов обеспечивает точное моделирование пространственно-временны́х зависимостей без передачи сырых данных и без участия центрального сервера.

Практическая значимость. Результаты экспериментов подтверждают применимость решения в масштабных ИТС умных городов, особенно при ограниченной пропускной способности сети, разрывах соединения с облаком и перегрузке центрального сервера.

1. Jiang W., Luo J. Graph neural network for traffic forecasting: A survey // Expert Systems with Applications. 2022. Vol. 207. P. 117921. DOI:10.1016/j.eswa.2022.117921. EDN:MOJUQL

2. Zanella A., Bui N., Castellani A., Vangelista L., Zorzi M. Internet of Things for Smart Cities // IEEE Internet of Things Journal. 2012. Vol. 1. Iss. 1. PP. 22–32. DOI:10.1109/JIOT.2014.2306328

3. Caterini A.L., Chang D.E. Recurrent Neural Networks // In: Deep Neural Networks in a Mathematical Framework. SpringerBriefs in Computer Science. Cham: Springer, 2018. PP. 59–79. DOI:10.1007/978-3-319-75304-1_5

4. Ateya A.A., Abd El-Latif A.A., Muthanna A., Volkov A., Koucheryavy A. Enabling Metaverse and Telepresence Services in 6G Networks. 2025. DOI:10.1201/9788770046749

5. Qi T., Chen L., Li G., Li Y., Wang C. FedAGCN: A traffic flow prediction framework based on federated learning and Asynchronous Graph Convolutional Network // Applied Soft Computing. 2023. Vol. 138. P. 110175. DOI:10.1016/j.asoc.2023.110175. EDN:XAIBCN

6. Yuan X., Chen J., Yang J., Zhang N., Yang T., Han T. FedSTN: Graph Representation Driven Federated Learning for Edge Computing Enabled Urban Traffic Flow Prediction // IEEE Transactions on Intelligent Transportation Systems. 2023. Vol. 24. Iss. 8. PP. 8738–8748. DOI:10.1109/TITS.2022.3157056. EDN:YKQIZO

7. Zhao L., Song Y., Zhang C., Liu Y., Wang P., Lin T. T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction // IEEE Transactions on Intelligent Transportation Systems. 2020. Vol. 21. Iss. 9. PP. 3848–3858. DOI:10.1109/TITS.2019.2935152.

8. Zhang C. Zhang S., Yu J.J.Q., Yu S. FASTGNN: A Topological Information Protected Federated Learning Approach for Traffic Speed Forecasting // IEEE Transactions on Industrial Informatics. 2021. Vol. 17. Iss. 12. PP. 8464–8474. DOI:10.1109/TII.2021.3055283

9. Feng Z., Zha H., Xu C., He Y., Lin Y. FCGCN: Feature Correlation Graph Convolution Network for Few-Shot Individual Identification // IEEE Transactions on Consumer Electronics. 2024. Vol. 70. Iss. 1. PP. 2848–2860. DOI:10.1109/TCE.2023.3322224

10. McMahan B., Moore E., Ramage D., Hampson S., A. y Arcas B. Communication-Efficient Learning of Deep Networks from Decentralized Data // Proceedings of the 20th International Conference on Artificial Intelligence and Statistics (PMLR). 2017. Vol. 54. PP. 1273–1282. URL: https://proceedings.mlr.press/v54/mcmahan17a.html (Accessed 29.09.2025)

11. Giannakis G.B., Ling Q., Mateos G., Schizas I.D., Zhu H. Decentralized Learning for Wireless Communications and Networking // In: Glowinski R., Osher S.J., Yin W. (eds.) Splitting Methods in Communication, Imaging, Science, and Engineering. Scientific Computation. Cham: Springer, 2016. PP. 461–497. DOI:10.1007/978-3-319-41589-5_14

12. Bai L., Yao L., Li C., Wang X., Wang C. Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting // Advances in Neural Information Processing Systems. 2020. Vol. 33. PP. 17804–17815.

13. Liu Y., Yu J.J.Q., Kang J., Niyato D., Zhang S. Privacy-Preserving Traffic Flow Prediction: A Federated Learning Approach // IEEE Internet of Things Journal. 2020. Vol. 7. Iss. 8. PP. 7751–7763. DOI:10.1109/JIOT.2020.2991401. EDN:MKJJWJ

14. Yu B., Yin H., Zhu Z. Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting // arXiv:1709.04875v4. 2018. DOI:10.24963/ijcai.2018/505

15. Liu Y., Yu J.J.Q., Kang J., Niyato D., Zhang S. Privacy-Preserving Traffic Flow Prediction: A Federated Learning Approach // IEEE Internet of Things Journal. 2020. Vol. 7. Iss. 8. PP. 7751–7763. DOI:10.1109/JIOT.2020.2991401

16. Zhang H., Jiang S., Xuan S. Decentralized federated learning based on blockchain: concepts, framework, and challenges // Computer Communications. 2024. Vol. 216. PP. 140–150. DOI:10.1016/j.comcom.2023.12.042. EDN:NYTCWY

17. Lian X., Zhang C., Zhang H., Hsieh C.-J., Zhang W., Liu J. Can Decentralized Algorithms Outperform Centralized Algorithms? A Case Study for Decentralized Parallel Stochastic Gradient Descent // arXiv:1705.09056v5. 2017. DOI:10.48550/arXiv.1705.09056

18. Turazza F., Pietri M., Picone M., Mamei M. FedBGS: A Blockchain Approach to Segment Gossip Learning in Decentralized Systems // Proceedings of the 45th International Conference on Distributed Computing Systems Workshops (ICDCSW, Glasgow, United Kingdom, 21–23 July 2025). IEEE, 2025. PP. 760–770. DOI:10.1109/ICDCSW63273.2025.00136

19. Yu E., Dong D., Xu Y., Ouyang S., Liao X. CD-SGD: Distributed Stochastic Gradient Descent with Compression and Delay Compensation // arXiv:2106.10796v2. 2021. DOI:10.48550/arXiv.2106.10796

20. Stewart G., Al-Khassaweneh M. An Implementation of the HDBSCAN* Clustering Algorithm // Applied Sciences. 2022. Vol. 12. Iss. 5. P. 2405. DOI:10.3390/app12052405

21. Chen C., Petty K., Skabardonis A. Freeway Performance Measurement System: Mining Loop Detector Data // Transportation Research Record: Journal of the Transportation Research Board. 2001. Vol. 1748. Iss. 1. DOI:10.3141/1748-12

22. Sharma M., Jaggi P. Reliable federated learning in a cloud-fog-IoT environment // The Journal of Supercomputing. 2023. Vol. 79. PP. 15435–15458. DOI:10.1007/s11227-023-05252-w. EDN:EETJGC

23. Manju B., Kumar C.S.P., Jegan J., Jagadeeshan D., Nunna S.K. Hierarchical Federated Learning with Fog Nodes: Enhancing Efficiency in Smart City Networks // Proceedings of the International Conference on Information Technology (OCIT, Vijayawada, India, 12–14 December 2024). IEEE, 2024. PP. 749–753. DOI:10.1109/OCIT65031.2024.00135

24. Lähderanta T., Lovén L., Ruha L., Leppänen T., Launonen I., Riekki J., et al. Capacitated spatial clustering with multiple constraints and attributes // Engineering Applications of Artificial Intelligence. 2024. Vol. 127. Part A. P. 107182. DOI:10.1016/j.engappai.2023.107182. EDN:CXFPOY

25. Hu J., Liu K. Raft consensus mechanism and the applications // Journal of Physics: Conference Series. 2020. Vol. 1544. Iss. 1. P. 012079. DOI:10.1088/1742-6596/1544/1/012079. EDN:IJJLUI

26. Performance evaluation of IEEE 802.11ah systems // Proceedings of the 24th Telecommunications Forum (TELFOR, Belgrade, Serbia, 22–23 November 2016). IEEE, 2016. DOI:10.1109/TELFOR.2016.7818748