基于纵向联邦学习的能源排放跨界智能分析OA北大核心

在企业生产过程中的能源排放预测一直是企业管理和政府监督重点关注的问题,随着信息采集能力增强,在能源排放预测过程中会涉及越来越多的跨界数据,使得预测模型面临着数据量庞大和数据关联性较低的挑战,从而增大模型的训练难度,降低预测的准确性。为此,提出基于纵向联邦学习的能源排放智能预测模型。针对跨领域联合建模过程中数据源分散、信息密度小的问题,设计基于纵向联邦学习的异步网络更新方法,保证本地数据的安全和多方建模的质量。异步网络更新方法还能降低多方建模的时间和空间开销。针对模型间通信数据的安全高效传递问题,设计基于同态加密的数据跨平台通信算法,利用数据加密在保障通信网络安全的同时使用数据压缩技术减小加密数据的体积,进一步提高模型间的通信效率。实验结果表明,该模型具有良好的性能,相比于基准模型,所提的能源排放预测模型的R2值最多提升了16%,能够降低约40%的联合建模时间,充分证明能源排放跨界智能分析模型解决了跨界数据难以共享共用的问题,并且提高了跨界联合建模的速度和准确率。