ترجمه فارسی مقاله سیستم پیش‌بینی تقاضای تاکسی با حفظ حریم خصوصی و استفاده از داده‌های توزیع‌شده

چکیده

Accurate taxi-demand prediction is essential for optimizing taxi operations and enhancing urban transportation services. However, using customers’ data in these systems raises significant privacy and security concerns. Traditional federated learning addresses some privacy issues by enabling model training without direct data exchange but often struggles with accuracy due to varying data distributions across different regions or service providers. In this paper, we propose CC-Net: a novel approach using collaborative learning enhanced with contrastive learning for taxi-demand prediction. Our method ensures high performance by enabling multiple parties to collaboratively train a demand-prediction model through hierarchical federated learning. In this approach, similar parties are clustered together, and federated learning is applied within each cluster. The similarity is defined without data exchange, ensuring privacy and security. We evaluated our approach using real-world data from five taxi service providers in Japan over fourteen months. The results demonstrate that CC-Net maintains the privacy of customers’ data while improving prediction accuracy by at least 2.2% compared to existing techniques.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی دقیق تقاضا تاکسی برای بهینه سازی عملیات تاکسی و تقویت خدمات حمل و نقل شهری ضروری است.با این حال ، استفاده از داده های مشتریان در این سیستم ها نگرانی های حریم خصوصی و امنیتی قابل توجهی را ایجاد می کند.یادگیری فدرال سنتی با فعال کردن آموزش مدل بدون تبادل مستقیم داده ها ، به برخی از مسائل مربوط به حریم خصوصی می پردازد اما به دلیل متفاوت بودن توزیع داده ها در مناطق مختلف یا ارائه دهندگان خدمات ، اغلب با دقت می جنگد.در این مقاله ، ما CC-NET را پیشنهاد می کنیم: یک رویکرد جدید با استفاده از یادگیری مشترک که با یادگیری متضاد برای پیش بینی تاکسی تقاضا شده است.روش ما با فعال کردن چندین طرف برای آموزش مشترک یک مدل پیش بینی تقاضا از طریق یادگیری فدراسیون سلسله مراتبی ، عملکرد بالا را تضمین می کند.در این رویکرد ، احزاب مشابه با هم خوشه بندی می شوند و یادگیری فدرال در هر خوشه اعمال می شود.شباهت بدون تبادل داده تعریف می شود و از حریم خصوصی و امنیت اطمینان می یابد.ما رویکرد خود را با استفاده از داده های دنیای واقعی از پنج ارائه دهنده خدمات تاکسی در ژاپن طی چهارده ماه ارزیابی کردیم.نتایج نشان می دهد که CC-NET ضمن بهبود دقت پیش بینی حداقل 2.2 ٪ در مقایسه با تکنیک های موجود ، حریم خصوصی داده های مشتریان را حفظ می کند.