Prévisions de trafic décentralisées à tranches multiples et respectueuses de la vie privée
Abstract or Summary
Dans ce travail, du point de vue des opérateurs de réseaux mobiles virtuels (MVNO), nous abordons le problème de la prévision du trafic en plusieurs tranches, tout en respectant la confidentialité des données des utilisateurs. À cette fin, nous proposons le cadre Federated Proximal Long Short-Term Memory (FPLSTM), qui permet aux MVNO d’entraîner dans chaque station de base leurs modèles locaux avec leurs ensembles de données privés, sans compromettre la confidentialité des données. Les résultats de prédiction obtenus en évaluant les modèles sur un ensemble de données réelles indiquent que la prévision de FPLSTM est aussi précise que les solutions de pointe tout en garantissant la confidentialité des données ainsi que l’efficacité des coûts de calcul et de communication.
