多智能体DQN车联网预测维护

通信开销砍半

将单智能体DDQN扩展为多智能体架构，并利用联邦学习动态调整竞争窗口，在保护数据隐私的同时大幅降低通信成本并提升预测精度。

Lu, Yang · 郭松涛 · Tham, Chen Khong · 李明妍 · 刘贵燕 · Zhou, Pengzhan

IEEE Transactions on Mobile Computing 2024

参数信息

平均绝对误差降低

10.2 %

平均通信时钟时间降低

26.31 %

每轮参与客户端数量减少

65.6 %

平均绝对误差降低

4.55 %

技术优势

通信开销降低26.31%

通过MADDQN动态调整每辆车的竞争窗口，每轮平均通信时钟时间减少26.31%，模型精度反而得到提升。

参与客户端减少65.6%

框架能有选择地让通信效率高的客户端参与本轮训练，每轮只需约三分之一的客户端，为系统留下更多空闲带宽。

预测误差降低10.2%

通过多智能体协同与全局模型聚合，在C-MAPSS数据集上MAE降低最高10.2%，故障预测更贴近真实剩余寿命。

应用场景

• 车联网：在不泄露车辆数据的前提下，用联邦学习训练预测模型并动态优化通信窗口。
• 预测性维护：用多智能体强化学习提升故障预测精度，降低误报和漏报。
• 电池管理：在随机电池使用数据上验证，能有效预测剩余寿命并减少通信参与。
• 工业物联网：为资源受限的工业物联网设备提供一种隐私保护的分布式预测维护方案。