随着5G的到来与普及,现实生活场景中万物互联,科技的迅速发展带来了许多高质量的服务与应用,如自动驾驶、智能家居等。这些新时代5G力量既为用户提供了舒适的生活方式,又满足了用户高质量体验的愿望。但提供高质量服务的同时产生了呈指数级增长的数据量,导致网络传输延迟等故障出现,随之而来的是一些急需缓解的问题。近年来,根据数据分析显示,由于网络延迟等故障的出现,数据传输不及时或不完整导致的交通安全问题普遍存在,其中交通事故和交通堵塞等情况已经成为危害人民生命安全和财产的主要因素之一。为了缓解网络延迟带来的交通问题,现有的研究中很多是针对特定环境提出的移动模型并进行网络或移动行为预测,通过对模型提出改进的方法来提升预测的准确率,而忽略了数据分布对模型并行训练和提高预测准确性的影响。针对上述提到的问题,本文提出了一种基于联邦学习的移动模型,该模型使用基于特征的数据部署方法来提高网络和移动的预测准确率。利用移动模型模拟实际应用中移动场景来研究交通安全问题,对建立连接的移动用户预测未来短时间内的网路质量,据此提前对网络情况进行调整,合理分配网络充分利用资源。具体研究内容如下:本文首先对移动模型以及联邦学习的研究背景及意义进行描述,介绍了移动模型的分类,以及联邦学习的相关理论知识。在边缘计算的系统环境下,根据用户的移动性,用户之间在网络中传输信息,建立移动模型与网络模型。为了适应边缘计算的网络结构,创建了由一个服务器端和多个客户端组成的系统模型,通过随机选择若干符合要求的客户端,利用联邦学习使用多个节点并行学习的方式提高学习效率。为了进一步提高模型训练的速度和预测的准确率,在移动模型的基础上提出了基于特征的数据部署方法。并且分别应用SVM算法和LSTM算法对不同的数据部署方式进行对比,验证数据部署对于提高移动模型预测准确率的有效性和广泛应用性。根据实验结果显示,本文提出的基于联邦学习的移动模型通过数据部署可以提高预测的准确率,并对提高稳定性方面及收敛速度都有一定的帮助。通过对比不同的数据部署方式,证明了在实验环境以及设备相同的情况下,基于特征的数据部署能够明显提高预测的准确率和并行训练速度。