Предложен метод иерархического федеративного трансферного обучения (HFTL) для цифровых двойников транспортных ad hoc сетей (DT-VANET). Метод кластеризует транспортные средства по типам и адаптирует модели к неоднородности и разреженности данных, повышая точность глобальной модели прогнозирования. Разработаны алгоритмы обновления модели на облачном сервере и внутрикластерного трансферного обучения.
Новость значима для повестки моделирования и управления крупными системами, так как предлагает подход к повышению точности прогнозных моделей в распределенных транспортных сетях с ограничениями на конфиденциальность данных.
Перевод и краткое изложение — машинные, по материалам источника. Полный текст статьи не републикуется; права на него принадлежат источнику.
