論文の概要: Leveraging Functional Encryption and Deep Learning for Privacy-Preserving Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2504.13267v1
• Date: Thu, 17 Apr 2025 18:21:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-28 20:37:01.133656
• Title: Leveraging Functional Encryption and Deep Learning for Privacy-Preserving Traffic Forecasting
• Title（参考訳）: プライバシー保護トラフィック予測のための機能暗号化とディープラーニングの活用
• Authors: Isaac Adom, Mohammmad Iqbal Hossain, Hassan Mahmoud, Ahmad Alsharif, Mahmoud Nabil Mahmoud, Yang Xiao,
• Abstract要約: 本稿では,セキュアでプライバシ保護された位置情報と交通予報システムを提案する。 我々の新しいk匿名方式は,ドライバが送信した暗号化された位置情報を集約するために機能暗号化を利用する。 本研究では,60分間の予測地平線に対する平均絶対誤差を10%以下に抑えた提案手法の有効性を示す。
• 参考スコア（独自算出の注目度）: 3.177180500119784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Over the past few years, traffic congestion has continuously plagued the nation's transportation system creating several negative impacts including longer travel times, increased pollution rates, and higher collision risks. To overcome these challenges, Intelligent Transportation Systems (ITS) aim to improve mobility and vehicular systems, ensuring higher levels of safety by utilizing cutting-edge technologies, sophisticated sensing capabilities, and innovative algorithms. Drivers' participatory sensing, current/future location reporting, and machine learning algorithms have considerably improved real-time congestion monitoring and future traffic management. However, each driver's sensitive spatiotemporal location information can create serious privacy concerns. To address these challenges, we propose in this paper a secure, privacy-preserving location reporting and traffic forecasting system that guarantees privacy protection of driver data while maintaining high traffic forecasting accuracy. Our novel k-anonymity scheme utilizes functional encryption to aggregate encrypted location information submitted by drivers while ensuring the privacy of driver location data. Additionally, using the aggregated encrypted location information as input, this research proposes a deep learning model that incorporates a Convolutional-Long Short-Term Memory (Conv-LSTM) module to capture spatial and short-term temporal features and a Bidirectional Long Short-Term Memory (Bi-LSTM) module to recover long-term periodic patterns for traffic forecasting. With extensive evaluation on real datasets, we demonstrate the effectiveness of the proposed scheme with less than 10% mean absolute error for a 60-minute forecasting horizon, all while protecting driver privacy.
• Abstract（参考訳）: 過去数年間、交通渋滞は、長い旅行時間、汚染率の増加、衝突リスクの増加など、国の交通システムに悪影響を与えてきた。 これらの課題を克服するために、Intelligent Transportation Systems (ITS) はモビリティと車両システムの改善、最先端技術、高度なセンシング機能、革新的なアルゴリズムを活用することで安全性の向上を目指している。 ドライバーの参加型センシング、現在の/将来のロケーションレポート、機械学習アルゴリズムは、リアルタイムの混雑監視と将来の交通管理を大幅に改善した。 しかし、各ドライバーの時空間情報に敏感な位置情報は、深刻なプライバシー上の懸念を引き起こす可能性がある。 これらの課題に対処するために,交通予測精度を維持しつつ,運転者のプライバシー保護を保証するセキュアでプライバシ保護された位置情報レポートと交通予報システムを提案する。 我々の新しいk匿名方式は,ドライバが送信した暗号化された位置情報を,ドライバの位置データのプライバシーを確保しつつ集約する機能暗号化を利用する。 さらに、集約した暗号化された位置情報を入力として、空間的・短期的特徴を捉える畳み込み長短期記憶(Conv-LSTM)モジュールと、交通予測のための長期的パターンを復元する双方向長短期記憶(Bi-LSTM)モジュールを組み込んだディープラーニングモデルを提案する。 実際のデータセットを広範囲に評価することにより,運転者のプライバシーを保護しながら,60分間の予測地平線において,10%未満の平均絶対誤差で提案手法の有効性を実証する。

関連論文リスト

• ON-Traffic: An Operator Learning Framework for Online Traffic Flow Estimation and Uncertainty Quantification from Lagrangian Sensors [0.0]
  この研究は、新しいディープ演算子であるOn-Trafficを導入し、トラフィック状態のオンライン推定に適した水平方向学習ベースのフレームワークを提案する。 本フレームワークは,不規則でスパースな入力データを処理し,時間シフトに適応し,精度の高い不確実性推定を行うことのできる,数値データとシミュレーションデータの両方で評価される。 その結果, 衝撃波や混雑伝播などの複雑な交通シナリオを捉えるとともに, 騒音やセンサの落下に対する堅牢性を維持していることがわかった。
  論文  参考訳（メタデータ） (2025-03-18T09:13:24Z)
• Hiding in Plain Sight: An IoT Traffic Camouflage Framework for Enhanced Privacy [2.0257616108612373]
  パケットパディングのような既存の技術的難読化手法は、スマートホームのような動的な環境では不足することが多い。 本稿では,交通分析を中断させることでプライバシーを向上する多技術難読化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-26T04:33:44Z)
• Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
  ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。 単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
  論文  参考訳（メタデータ） (2025-01-07T03:23:28Z)
• A neural-network based anomaly detection system and a safety protocol to protect vehicular network [0.0]
  この論文は、車車間通信を可能にすることにより、道路の安全性と効率を向上させるために、CITS(Cooperative Intelligent Transport Systems)の使用に対処する。 安全性を確保するため、論文では、Long Short-Term Memory (LSTM)ネットワークを用いた機械学習に基づくミスビヘイビア検出システム(MDS)を提案する。
  論文  参考訳（メタデータ） (2024-11-11T14:15:59Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Navigating Uncertainty: The Role of Short-Term Trajectory Prediction in Autonomous Vehicle Safety [3.3659635625913564]
  我々は,CARLAシミュレータを用いた短期軌道予測タスクのためのデータセットを開発した。 このデータセットは広く、複雑なシナリオとして、歩行者が道路を横断し、車両が乗り越える、と考えられています。 畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)を用いた終端から終端までの短期軌道予測モデルも開発されている。
  論文  参考訳（メタデータ） (2023-07-11T14:28:33Z)
• Location Privacy Threats and Protections in 6G Vehicular Networks: A Comprehensive Review [23.901688216192397]
  位置のプライバシーは、ドライバーの軌跡や個人情報が暴露される車載ネットワークにおいて重要である。 本調査では, インフラストラクチャベース, 光ビジョンベース, セルラジオベースのローカライゼーションなど, 包括的に異なるローカライゼーション手法について検討する。 位置情報プライバシ保護機構(LPPM)を,ユーザ側,サーバ側,ユーザ-サーバインターフェースベースに分類し,その有効性を評価する。
  論文  参考訳（メタデータ） (2023-05-08T06:55:35Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
  本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。 当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
  論文  参考訳（メタデータ） (2021-01-20T00:31:52Z)
• Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
  本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
  論文  参考訳（メタデータ） (2020-03-19T13:07:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。