一种基于边缘计算的本地隐私保护出行匹配方法

技术领域

本发明属于车辆调度服务技术领域，具体涉及一种基于边缘计算的本地隐私保护的出行匹配方法。

背景技术

互联网的发展产生了海量基于位置的增值服务，便利了人们的个性化智能出行。用户通过向网约车出行调度平台提交个人时空与用车个性化需求，获得符合其需求的车辆接载服务。这些需求数据中的位置信息常被用来支持出行用户和司机的匹配、出行需求预测、车辆调度、出行共乘组合等，例如“在当前时间位于特定地理位置”的时空耦合信息有助于高效搜寻到接单距离相近的网约车，提高出行服务效率。实际上，平台收集的用户信息不仅仅被用于即时车辆调度，其历史出行信息还会被用于需求预测、POI挖掘，甚至非法跟踪等严重暴露个体隐私行为，因此现有将原始出行需求上传平台的方式将会存在隐私暴露风险。因此，如何在保证出行服务效率与准确度的情况下，降低隐私泄漏的风险是一个急需解决的问题。

现有基于出行调度平台不可信的前提下进行隐私保护的方法有加密、本地化差分隐私以及直接在本地处理数据等。Anh Pham、Luo、Yu等人采取对用户出行位置数据进行加密处理，隐私保护程度较高但是加密后的数据不适用于计算路网距离，从而影响了车辆匹配的质量。并且也要考虑加密算法需要的计算资源对于出行服务的影响，比如加密时间开销导致的服务延迟问题。Andrés、Wang、刘振鹏等人使用本地差分隐私技术对位置数据进行扰动，较好的保护了单次位置信息，但是没有考虑用户运动过程连续位置点之间关联性，同时差分隐私的保护强度和数据可用性之间的平衡是一个需要考虑的问题。

发明内容

本发明的目的是提供一种基于边缘计算的本地隐私保护出行匹配方法，解决了既要保护用户隐私信息，又要保证出行服务质量的技术问题。

本发明通过以下技术方案实现：

一种基于边缘计算的本地隐私保护出行匹配方法，包括以下步骤：

步骤一：出行调度平台训练得到时空表示模型并将时空表示模型分发给用户的边缘设备；所述用户包括司机和乘客；

步骤二：用户的边缘设备根据时空表示模型对用户的出行基本信息进行向量表示，并将得到的向量带入用户本地的自动编码器进行多轮训练得到出行特征向量，从多轮训练结果中随机选择一个出行特征向量发送给出行调度平台；

步骤三：出行调度平台根据出行特征向量的相关性进行司机和乘客的匹配，并将匹配结果发送给乘客和司机的边缘设备；

步骤四：司机和乘客的边缘设备根据匹配结果建立点对点通信，以完成后续出行服务。

优选的，步骤一中，出行调度平台训练时空表示模型具体是：出行调度平台根据时间表示模型DeepWalk对时间网络的节点进行嵌入表示，根据位置表示模型Node2Vec对道路网络中的节点进行嵌入表示，得到时空表示模型。

进一步的，步骤二中，用户的边缘设备根据时空表示模型对用户的出行基本信息进行向量表示，具体过程为：

使用时间表示模型DeepWalk，得到时间表示向量集合Vec

使用位置表示模型Node2Vec，得到位置表示向量集合Vec

从Vec

通过时间表示向量Vec

进一步的，时间表示模型DeepWalk由随机游走生成器和Skip-gram模型两部分组成；随机游走生成器从指定访问时间节点开始从其邻居中随机采样节点作为下一个访问时间节点，重复此过程，生成固定长度的时间节点序列；Skip-gram模型通过最大化时间节点序列中出现在窗口长度w内的节点之间的共现概率，学习每个时间节点的特征表示，从而得到时间表示向量集合Vec

其中，

进一步的，步骤二中，将得到的向量带入用户本地的自动编码器进行训练得到出行特征向量，从多轮训练结果中随机选择一个出行特征向量发送给出行调度平台，具体过程为：

将Tr出行向量Vec

其中，loss范围从-1到1，损失函数的值越接近-1损失越小；

解码得到K组特征向量集合Vec

优选的，步骤三中，出行调度平台根据出行特征向量的相关性进行司机和乘客的匹配具体是：出行调度平台以出行特征向量的余弦相似度值为权重，使用KM算法进行司机和乘客的匹配。

进一步的，出行调度平台以出行特征向量的余弦相似度值为权重，使用KM算法进行司机和乘客的匹配，具有过程为：

计算乘客和司机的出行特征向量的余弦相似度，根据乘客和司机的出行特征向量的余弦相似度形成司乘二部图，通过KM算法搜索司乘二部图的余弦相似度之和最大时的乘客-司机匹配对，得到匹配结果。

进一步的，乘客和司机的集合分别表示为R＝{r

优选的，步骤四中，点对点通信中乘客的边缘设备将乘客出行的真实信息发送给司机的边缘设备。

与现有技术相比，本发明具有如下的有益效果：

本发明通过在云平台部署好时空表示模型后分发至用户边缘设备，使用户可以在本地使用时空模型编码其个人出行信息并基于自动编码器训练抽取出行特征向量，降低了隐私暴露的风险。同时基于特征相关性，出行调度平台根据特征向量的相似性进行车辆分配，保证了隐私保护后数据的可用性，匹配完成后建立点对点通信分享真实的出行信息用以准确地完成接送服务，且单次的行程只用于当前出行服务，暴露隐私的风险较低。在整个出行匹配的过程中出行调度平台始终没有获取到出行用户的原始出行信息，在实现用户信息的本地隐私保护的同时也可以完成出行匹配工作，说明了本发明的可行性。本发明在出行调度平台不可信的前提下，将出行调度平台的计算、应用和存储功能“下沉”到用户终端，实现了数据的本地化处理，减少了时延、降低了云平台资源开销、保护了用户隐私。

附图说明

图1是基于边缘计算的本地隐私保护出行匹配系统框架图；

图2是时间网络嵌入表示示意图；

图3是道路网络嵌入表示示意图；

图4是特征提取自动编码器网络结构；

图5是司机与乘客形成的二部图。

具体实施方式

为了进一步理解本发明，下面结合实施例对本发明进行描述，这些描述只是进一步解释本发明的特征和优点，并非用于限制本发明的权利要求。

本发明一种基于边缘计算的本地隐私保护出行匹配方法，包括以下步骤：

步骤一：为了得到一致的司机和乘客的编码规则，由出行调度平台根据网络表示学习技术统一训练时空表示模型并分发给用户边缘设备，如图1所示。本发明中，所述用户包括司机和乘客。

时间网络是一种包含了具体时刻作为节点和时刻之间的关系作为边的无向图，本发明实施例中具体是间隔为1分钟的时间节点和代表时间关系的边的无向图。时间网络的定义为G

道路网络是一种包含了地理位置作为节点和道路作为边的带权有向图，边上的权重与节点之间的距离成反比，节点间距离越近则边上的权重越大。本发明实施例中，道路网络是根据OpenStreetMap提供的成都路网数据中提取出来的，其中路网数据中的地理位置点的经纬度数据作为道路网络的节点，路网数据中的道路作为道路网络的边，相隔节点所代表的地理位置之间的路网距离的反比作为边上的权重的带权有向图。道路网络定义为G

步骤二：用户根据从出行调度平台分发的时空表示模型对各自的出行信息进行向量表示，并将向量带入用户本地的自动编码器进行训练得到出行特征向量，同时从多轮训练结果中随机选择一个出行特征向量发送给出行调度平台进行订单请求或状态更新。

使用时间表示模型DeepWalk(G

其中，

本发明实施例中，w为5。

使用位置表示模型Node2Vec(G

假设当前随机游走经过边(t,x)到达顶点v，设转移概率π

π

ω

d

用户出行基本信息Tr＝{t,l}，表示用户在t时刻的地理位置为l，从Vec

通过时间表示向量和位置表示向量的简单拼接得到Tr出行向量Vec

将向量Vec

自动编码器共设置了五层隐藏层，隐藏层的单元数分别为64、32、8、32、64，输入和输出层都是长度为128的向量，隐藏层选择relu函数作为激活函数，如图4所示。

为了让解码后的特征向量与原有的向量相似度信息保持一致，设置自动编码器损失函数为余弦相似度函数：

其中，loss范围从-1到1，损失函数的值越接近-1损失越小。

从解码得到的特征向量集合Vec

步骤三：出行调度平台基于出行特征向量相关性，以出行特征向量的余弦相似度值为权重使用Kuhn-Munkres(KM)算法进行司机和乘客的匹配，并将匹配结果发送给乘客和司机。

乘客和司机的集合分别为R＝{r

用户的相似度是根据用户出行特征向量之间的余弦相似度进行判断的。出行特征向量的余弦相似度是出行特征向量的夹角余弦值，给定司机r

其中，cosθ

根据出行特征向量计算余弦相似度，本发明实施例部分司机乘客对的相似度计算结果如表1所示。

表1部分司机乘客对的相似度

根据司机和乘客的出行特征向量的余弦相似度形成司乘二部图，如图5所示。通过KM算法搜索全局最优化司乘匹配对，然后将匹配结果返回给司机和乘客的用户边缘设备。车辆分配的策略为司乘二部图的余弦相似度值之和最优化(即求解最大值)，表达式为：

其中，cosθ

步骤四：司机和乘客根据匹配结果建立点对点通信，通信中乘客可以将出行的真实信息发送给司机以完成后续出行服务。

此处点对点通信分享真实的行程信息只用于单次的出行接收服务，既保证了隐私泄露的风险较低，又可以提供精准的接送服务。

本发明方法采用网络表示学习技术对用户的时空信息进行向量表示，并在本地提取出行特征向量上传给出行调度平台，其中特征向量既融合了时间和位置信息用于车辆匹配，又保护了用户的原始出行信息。出行调度平台根据特征向量的相似性使用KM算法进行车辆分配，匹配完成后建立点对点通信分享真实的出行信息用以准确地完成接送服务，且单次的行程只用于当前出行服务，暴露隐私的风险较低。在整个出行匹配的过程中出行调度平台始终没有获取到出行用户的原始出行信息，在实现用户信息的本地隐私保护的同时也可以完成出行匹配工作，说明了本发明的可行性。