[論文レビュー] Federated Learning for Water Consumption Forecasting in Smart Cities

Mohammed El Hanjri, Hibatallah Kabbaj+2 more|arXiv (Cornell University)|Jan 30, 2023

Smart Parking Systems Research被引用数 4

ひとこと要約

本論文は、スマートシティにおける短期水使用量予測のためのフェデレーテッドラーニング（FL）ベースの手法を提案している。エッジデバイス（例：スマートメーター）上でローカルにLSTMモデルを訓練することで、ユーザーのプライバシーを保護するとともにネットワーク負荷を低減する。この手法は、中央集権的モデルよりも高い予測精度を達成し、データ送信を最小限に抑え、分散型トレーニングとモデル集約によって機微な使用パターンを保護する。

ABSTRACT

Water consumption remains a major concern among the world's future challenges. For applications like load monitoring and demand response, deep learning models are trained using enormous volumes of consumption data in smart cities. On the one hand, the information used is private. For instance, the precise information gathered by a smart meter that is a part of the system's IoT architecture at a consumer's residence may give details about the appliances and, consequently, the consumer's behavior at home. On the other hand, enormous data volumes with sufficient variation are needed for the deep learning models to be trained properly. This paper introduces a novel model for water consumption prediction in smart cities while preserving privacy regarding monthly consumption. The proposed approach leverages federated learning (FL) as a machine learning paradigm designed to train a machine learning model in a distributed manner while avoiding sharing the users data with a central training facility. In addition, this approach is promising to reduce the overhead utilization through decreasing the frequency of data transmission between the users and the central entity. Extensive simulation illustrate that the proposed approach shows an enhancement in predicting water consumption for different households.

研究の動機と目的

• 個々の家庭のデータを中央集権的に収集することを避けることで、スマートシティにおける水使用量予測におけるプライバシー懸念を解決すること。
• ローカライズドでパーソナライズされたディープラーニングモデルを用いて、個々の家庭の予測精度を向上させること。
• エッジベースのフェデレーテッドラーニングにより、データ送信を最小限に抑えることでネットワークオーバーヘッドを低減すること。
• 中央集権的トレーニングと比較して、FLの精度および通信効率の観点での性能を評価すること。
• リアルタイムでプライバシーを守る水需要予測のためのエッジデバイス上でのFLの実用的導入の可能性を示すこと。

提案手法

• システムは、複数のエッジデバイス（例：スマートメーター）上で、生の使用データを共有せずにグローバルLSTMモデルをトレーニングするフェデレーテッドラーニングフレームワークを採用する。
• 各クライアント（家庭）は、自らの月次水使用データを用いて、グローバルモデルをローカルでトレーニングし、パーソナライズされたローカルアップデートを実行する。
• モデル重みが中央サーバーに送信され、そこでは平均化処理が行われてグローバルモデルが更新される。これにより、データ分散化によってプライバシーが確保される。
• 収束するまで複数ラウンドにわたりプロセスが繰り返され、グローバルモデルは多様なローカルデータから改善される。
• エッジコンピューティングインfra（例：ホームグリッドエッジテクノロジー）を活用し、デバイス内でのトレーニングを可能にし、遅延を低減する。
• ネットワーク負荷は、中央集権的（$Q_C$）およびフェデレーテッド（$Q_F$）トレーニングのための式で定量化され、通信効率の向上を測る指標として報酬指標 $R = 1 - Q_F/Q_C$ が用いられる。

Figure 1: Network architecture and components

実験結果

リサーチクエスチョン

• RQ1 フェデレーテッドラーニングは、中央集権的ディープラーニングモデルと比較して、短期水使用量予測の精度を向上させることができるか？
• RQ2 ローカルモデルのパーソナライズは、個々の家庭の予測パフォーマンスをどの程度向上させるか？
• RQ3 スマートウォーターシステムにおいて、フェデレーテッドラーニングは中央集権的トレーニングと比較して、ネットワーク負荷をどの程度低減するか？
• RQ4 住宅用水使用量予測における分散型トレーニングは、データプライバシーにどのような影響を与えるか？
• RQ5 エッジベースのFLは、スマートシティにおけるリアルタイムでスケーラブルな水需要予測の実用的導入が可能か？

主な発見

• 提案されたフェデレーテッドラーニング手法は、特に個々の家庭のパーソナライズド予測において、中央集権的グローバルモデルよりも高い予測精度を達成した。
• クライント固有のデータに対するローカルリトレーニングにより、予測パフォーマンスが顕著に向上した。これは、BLD 04（2018–2020）における予測値と実測値の一致度の向上によって裏付けられた。
• ネットワーク負荷削減報酬 $R$ は正であったため、フェデレーテッドラーニングが中央集権的トレーニングと比較して、測定可能な範囲でデータ送信量を削減したことが示された。
• モデル更新は一時的であり、サーバー上に永続保存されなかったため、プライバシーリスクが最小限に抑えられ、ユーザー識別情報の逆方向推定も困難になった。
• 限られたデータしか持たない新規ユーザーに対しても、グローバルモデルが妥当なベースライン予測を提供したため、モデルの頑健性とスケーラビリティが示された。
• エッジコンピューティングの統合により、デバイス内でのトレーニングが可能となり、本手法がスマートウォーターインfraにおける実世界のIoTデバイスへの展開に現実的であることが示された。

Figure 2: The distribution of water consumption data in building 04 (BLD 04). (HCF; Hundred-Cubic Foot)