区域变迁状况预测方法、设备、介质及计算机程序产品

技术领域

本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种区域变迁状况预测方法、设备、介质及计算机程序产品。

背景技术

随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。

随着计算机技术的不断发展，人工智能的应用也越来越广泛，目前，政策制定者在进行城市规划时，通常需要预测城市未来的变迁状况，例如通过统计城市的人口、GDP和产业种类等城市变迁因素数据，预测城市未来的变迁状况，但是，由于统计城市变迁因素数据是处于不断变化的，而统计城市变迁因素数据的工作通常在时间尺度上是漫长的，进而将导致用于进行城市变迁状况预测的城市变迁因素数据通常在时间尺度上是滞后的，进而使得城市变迁状况预测结果在时间尺度上存在滞后性，区域变迁状况预测的准确性不高。

发明内容

本申请的主要目的在于提供一种区域变迁状况预测方法、设备、介质及计算机程序产品，旨在解决现有技术中城市变迁状况预测准确度低的技术问题。

为实现上述目的，本申请提供一种区域变迁状况预测方法，所述区域变迁状况预测方法应用于区域变迁状况预测设备，所述区域变迁状况预测方法包括：

获取目标区域的卫星图像，并基于联邦学习构建的区域变迁状况预测模型和所述卫星图像对应的区域变迁状况图像特征信息，对所述目标区域进行区域变迁状况类别预测，获得区域变迁状况类别预测结果；

基于所述区域变迁状况类别预测结果，生成所述目标区域对应的区域变迁状况预测结果。

本申请还提供一种区域变迁状况预测装置，所述区域变迁状况预测装置为虚拟装置，且所述区域变迁状况预测装置应用于区域变迁状况预测设备，所述区域变迁状况预测装置包括：

类别预测模块，用于获取目标区域的卫星图像，并基于联邦学习构建的区域变迁状况预测模型和所述卫星图像对应的区域变迁状况图像特征信息，对所述目标区域进行区域变迁状况类别预测，获得区域变迁状况类别预测结果；

生成模块，用于基于所述区域变迁状况类别预测结果，生成所述目标区域对应的区域变迁状况预测结果。

本申请还提供一种区域变迁状况预测设备，所述区域变迁状况预测设备为实体设备，所述区域变迁状况预测设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述区域变迁状况预测方法的程序，所述区域变迁状况预测方法的程序被处理器执行时可实现如上述的区域变迁状况预测方法的步骤。

本申请还提供一种介质，所述介质为可读存储介质，所述可读存储介质上存储有实现区域变迁状况预测方法的程序，所述区域变迁状况预测方法的程序被处理器执行时实现如上述的区域变迁状况预测方法的步骤。

本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的区域变迁状况预测方法的步骤。

本申请提供了一种区域变迁状况预测方法、设备、介质及计算机程序产品，相比于现有技术采用的基于城市变迁因素数据，预测城市未来的变迁状况的技术手段，本申请首先获取目标区域的卫星图像，其中，所述卫星图像可以由卫星进行实时拍摄，进而获取目标区域的卫星图像，并基于联邦学习构建的区域变迁状况预测模型和所述卫星图像对应的区域变迁状况图像特征信息，对所述目标区域进行区域变迁状况类别预测，获得区域变迁状况类别预测结果，进而基于所述区域变迁状况类别预测结果，即可生成所述目标区域对应的区域变迁状况预测结果，而由于卫星图像是可以实时拍摄的，进而实现了基于卫星图像，对目标区域进行区域变迁状况地实时预测的目的，使得区域变迁状况结果在时间尺度上不会滞后，提升了区域变迁状况的预测准确度，另外地，需要说明的是，各颗卫星之间的图像数据通常为隐私数据，进而通常只能基于一颗卫星的卫星图像进行模型预测与模型构建，而由于本申请中的区域变迁状况预测模型是通过联邦学习联合多方的数据进行构建的，在保护各方隐私的同时，扩展了模型构建时的样本，进而实现了在保护隐私的同时，联合多方卫星数据进行区域变迁状况预测的目的，进一步提升了区域变迁状况预测的准确度，所以，克服了现有技术中由于统计城市变迁因素数据是处于不断变化的，而统计城市变迁因素数据的工作通常在时间尺度上是漫长的，进而将导致用于进行城市变迁状况预测的城市变迁因素数据通常在时间尺度上是滞后的，进而使得城市变迁状况预测结果在时间尺度上存在滞后性，区域变迁状况预测的准确性不高的技术缺陷，提升区域变迁状况预测的准确度。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请区域变迁状况预测方法第一实施例的流程示意图；

图2为本申请区域变迁状况预测方法中对目标区域进行区域变迁状况类别预测的流程示意图；

图3为本申请区域变迁状况预测方法第二实施例的流程示意图；

图4为本申请区域变迁状况预测方法中进行横向联邦学习时各颗卫星拍摄卫星图像的示意图；

图5为本申请实施例中区域变迁状况预测方法涉及的硬件运行环境的设备结构示意图；

图6为本申请实施例方案涉及的联邦学习的硬件架构示意图。

本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

本申请实施例提供一种区域变迁状况预测方法，在本申请区域变迁状况预测方法的第一实施例中，参照图1，所述区域变迁状况预测方法包括：

步骤S10，获取目标区域的卫星图像，并基于联邦学习构建的区域变迁状况预测模型和所述卫星图像对应的区域变迁状况图像特征信息，对所述目标区域进行区域变迁状况类别预测，获得区域变迁状况类别预测结果；

在本实施例中，需要说明的是，所述卫星图像为由卫星拍摄的所述目标区域的卫星图像，所述目标区域为城市或者乡镇等区域，所述区域变迁状况预测方法应用于卫星，所述区域变迁状况预测模型为各卫星之间进行联邦学习构建的机器学习模型，其中，所述联邦学习包括纵向联邦学习和横向联邦学习，所述区域变迁状况图像特征信息为具备区域变迁状况特征的图像特征信息，其中，所述区域变迁状况特征包括建筑密度、街道数量和绿化率等特征，所述图像特征信息可用所述区域变迁状况预测模型中的特征提取器输出的高维矩阵进行表示。

另外地，需要说明的是，当所述联邦学习为纵向联邦学习时，所述区域变迁状况预测模型为通过纵向纵向联邦学习联合各颗卫星在不同拍摄角度拍摄的卫星图像构建的，此时，各颗卫星均对所述目标区域进行拍摄，但是拍摄角度不同，所以，获取的样本相同，而样本特征不同，进而各颗卫星之间可进行纵向联邦学习；当所述联邦学习为横向联邦学习时，所述区域变迁状况预测模型为通过横向联邦学习联合各颗卫星在不同拍摄区域拍摄的卫星图像构建的，此时，各颗卫星以相同拍摄角度对不同区域进行拍摄，所以，获取的样本不同，而样本特征相同，进而各颗卫星之间可进行横向联邦学习。

获取目标区域的卫星图像，并基于联邦学习构建的区域变迁状况预测模型和所述卫星图像对应的区域变迁状况图像特征信息，对所述目标区域进行区域变迁状况类别预测，获得区域变迁状况类别预测结果，具体地，获取对所述目标区域实时拍摄的卫星图像，并基于联邦学习构建的区域变迁状况预测模型中的特征提取器，提取所述卫星图像中的区域变迁状况图像特征信息，进而依据所述区域变迁状况图像特征信息以及所述区域变迁状况预测模型中的分类器，对所述卫星图像进行区域变迁状况分类，获得区域变迁状况类别预测结果。

在另一种实施方式中，所述区域变迁状况预测模型为循环神经网络模型，所述基于联邦学习构建的区域变迁状况预测模型和所述卫星图像对应的区域变迁状况图像特征信息，对所述目标区域进行区域变迁状况类别预测，获得区域变迁状况类别预测结果的步骤包括：

获取所述区域变迁状况预测模型在上一时间步的模型输出结果，进而将所述上一时间步的模型输出结果和所述目标区域的在当前时间步的卫星图像输入基于联邦学习构建的区域变迁状况预测模型，进而在所述区域变迁状况预测模型中循环执行预设时间步数后的模型预测，输出所述区域变迁状况类别预测结果，其中，每一时间步的模型输入均为上一时间步的模型输出与当前时间步的卫星图像，其中，所述目标区域的卫星图像为具备时间序列信息的图像，例如，卫星在一年以内循环拍摄的目标区域的所有卫星图像等。

其中，所述区域变迁状况预测模型包括特征提取器和分类器，

所述基于联邦学习构建的区域变迁状况预测模型和所述卫星图像对应的区域变迁状况图像特征信息，对所述目标区域进行区域变迁状况分类，获得区域变迁状况类别预测结果的步骤包括：

步骤S11，基于所述特征提取器，对所述卫星图像进行特征提取，获得所述区域变迁状况图像特征信息；

在本实施例中，需要说明的是，所述特征提取器由预设数量的卷积层和池化层交替排列构成，其中，所述卷积层用于进行卷积操作，所述池化层用于进行池化操作。

基于所述特征提取器，对所述卫星图像进行特征提取，获得所述区域变迁状况图像特征信息，具体地，将所述卫星图像对应的图像表示矩阵输入所述特征提取器，对所述图像表示矩阵进行预设次数的卷积和池化交替处理，以将所述图像表示矩阵映射为区域变迁状况特征表示矩阵，并将所述区域变迁状况特征表示矩阵作为所述区域变迁状况图像特征信息，其中，所述图像表示矩阵为表示所述卫星图像的编码矩阵，用于通过数值矩阵表示所述卫星图像，例如所述图像表示矩阵可以为像素矩阵，其中，所述像素矩阵由于所述卫星图像的各像素值组成，所述区域变迁状况特征表示矩阵为与区域变迁状况特征关联的高维矩阵，也即，所述区域变迁状况特征表示矩阵中具备所述区域变迁状况特征的关联信息，其中，具备相同的区域变迁状况特征的值的卫星图像对应的区域变迁状况特征表示矩阵应当具备高度的相似性。

步骤S12，依据所述区域变迁状况图像特征信息和所述分类器，预测所述目标区域的区域变迁状况类别，获得所述区域变迁状况类别预测结果。

在本实施例中，需要说明的是，所述分类器由全连接层组成，用于将所述区域变迁状况特征表示矩阵映射为一维向量。

依据所述区域变迁状况图像特征信息和所述分类器，预测所述目标区域的区域变迁状况类别，获得所述区域变迁状况类别预测结果，具体地，将所述区域变迁状况特征表示矩阵输入所述分类器，对所述区域变迁状况特征表示矩阵进行全连接，以将所述区域变迁状况特征表示矩阵映射为一维向量，获得分类概率向量，并将所述分类概率向量作为所述区域变迁状况类别预测结果，其中，所述分类概率向量为卫星图像属于不同的预设图像类别的概率组成的向量，例如，假设所述分类概率向量为(a，b，c)，则a为卫星图像属于类别A的概率，b为卫星图像属于类别B的概率，c为卫星图像属于类别C的概率，如图2所示为本申请实施例对目标区域进行区域变迁状况类别预测的流程示意图，其中，G为所述区域变迁状况预测模型，左侧方框为所述特征提取器，右侧方框为所述分类器，高速发展、平稳发展和所述发展滞后均为所述区域变迁状况预测类别。

步骤S20，基于所述区域变迁状况类别预测结果，生成所述目标区域对应的区域变迁状况预测结果。

在本实施例中，基于所述区域变迁状况类别预测结果，生成所述目标区域对应的区域变迁状况预测结果，具体地，若所述区域变迁状况预测模型是基于横向联邦学习构建的，则确定所述分类概率向量中最大的分类概率值对应的图像分类类别标签，并将所述图像分类类别标签对应的区域变迁状况类别作为所述区域变迁状况预测结果，其中，所述区域变迁状况类别包括高速发展类别、平稳发展类别以及发展滞后类别等，若所述区域变迁状况预测模型是基于纵向联邦学习构建的，则基于所述区域变迁状况类别预测结果，通过与所述纵向联邦学习的其他参与方进行联邦交互，生成区域变迁状况预测结果。

其中，所述区域变迁状况预测方法应用于参与纵向联邦学习的第一设备，

所述基于所述区域变迁状况类别预测结果，生成所述目标区域对应的区域变迁状况预测结果的步骤包括：

步骤S21，对所述区域变迁状况类别预测结果进行加密，获得第一加密分类结果；

在本实施例中，需要说明的是，加密的方式为同态加密，所述区域变迁状况预测模型是基于纵向联邦学习构建的，所述第一设备为纵向联邦学习的参与方。

步骤S22，将所述第一加密分类结果发送至纵向联邦服务器，以供所述纵向联邦服务器对所述第一加密分类结果和各第二设备发送的第二加密分类结果进行聚合，获得加密聚合结果；

在本实施例中，需要说明的是，所述纵向联邦服务器为纵向联邦学习的协调方，用于协调各参与方进行基于纵向联邦学习的联邦合作，其中，所述联邦合作包括联邦模型构建和联邦模型预测等。

将所述第一加密分类结果发送至纵向联邦服务器，以供所述纵向联邦服务器对所述第一加密分类结果和各第二设备发送的第二加密分类结果进行聚合，获得加密聚合结果，具体地，将所述第一加密分类结果发送至纵向联邦服务器，以供所述纵向联邦服务器接收第一设备发送的第一加密分类结果与各第二设备发送的第二加密分类结果，其中，所述第二加密分类结果为第二设备基于本地生成的区域变迁状况类别预测结果进行同态加密获得，进而纵向联邦服务器基于预设联邦聚合规则，对所述第一加密分类结果和各所述第二加密分类结果进行聚合，获得加密聚合结果，其中，所述预设联邦聚合规则包括加权平均以及求和等。

步骤S23，接收所述加密聚合结果，并依据所述加密聚合结果，生成所述区域变迁状况预测结果。

在本实施例中，需要说明的是，所述区域变迁状况类别预测结果为分类概率向量。

接收所述加密聚合结果，并依据所述加密聚合结果，生成所述区域变迁状况预测结果，具体地，对所述加密聚合结果进行解密，获得聚合分类概率向量，并确定所述聚合分类概率向量中最大的分类概率值对应的图像分类类别标签，并将所述图像分类类别标签对应的区域变迁状况类别作为所述区域变迁状况预测结果。

本申请实施例提供了一种区域变迁状况预测方法，相比于现有技术采用的基于城市变迁因素数据，预测城市未来的变迁状况的技术手段，本申请实施例首先获取目标区域的卫星图像，其中，所述卫星图像可以由卫星进行实时拍摄，进而获取目标区域的卫星图像，并基于联邦学习构建的区域变迁状况预测模型和所述卫星图像对应的区域变迁状况图像特征信息，对所述目标区域进行区域变迁状况类别预测，获得区域变迁状况类别预测结果，进而基于所述区域变迁状况类别预测结果，即可生成所述目标区域对应的区域变迁状况预测结果，而由于卫星图像是可以实时拍摄的，进而实现了基于卫星图像，对目标区域进行区域变迁状况地实时预测的目的，使得区域变迁状况结果在时间尺度上不会滞后，提升了区域变迁状况的预测准确度，另外地，需要说明的是，各颗卫星之间的图像数据通常为隐私数据，进而通常只能基于一颗卫星的卫星图像进行模型预测与模型构建，而由于本申请实施例中的区域变迁状况预测模型是通过联邦学习联合多方的数据进行构建的，在保护各方隐私的同时，扩展了模型构建时的样本，进而实现了在保护隐私的同时，联合多方卫星数据进行区域变迁状况预测的目的，进一步提升了区域变迁状况预测的准确度，所以，克服了现有技术中由于统计城市变迁因素数据是处于不断变化的，而统计城市变迁因素数据的工作通常在时间尺度上是漫长的，进而将导致用于进行城市变迁状况预测的城市变迁因素数据通常在时间尺度上是滞后的，进而使得城市变迁状况预测结果在时间尺度上存在滞后性，区域变迁状况预测的准确性不高的技术缺陷，提升区域变迁状况预测的准确度。

进一步地，参照图3，基于本申请中第一实施例，在本申请的另一实施例中，所述区域变迁状况预测方法应用于参与联邦学习的第一设备，

在所述基于联邦学习构建的区域变迁状况预测模型和所述卫星图像对应的区域变迁状况图像特征信息，对所述目标区域进行区域变迁状况类别预测，获得区域变迁状况类别预测结果的步骤之前，所述区域变迁状况预测方法还包括：

步骤A10，获取卫星图像训练数据，并对所述卫星图像训练数据进行针对于区域变迁状况特征的标签标注，获得区域变迁状况标签数据；

在本实施例中，需要说明的是，所述卫星图像训练数据为由卫星拍摄的卫星图像组成，且当所述联邦学习为纵向联邦学习时，参与纵向纵向联邦学习的各颗卫星以不同拍摄角度拍摄所述目标区域的卫星图像作为各自的卫星图像训练数据；当所述联邦学习为横向联邦学习时，参与横向联邦学习的各颗卫星在不同拍摄区域以相同拍摄角度拍摄卫星图像作为卫星图像训练数据，如图4所示为进行横向联邦学习时各颗卫星拍摄卫星图像的示意图。

获取卫星图像训练数据，并对所述卫星图像训练数据进行针对于区域变迁状况特征的标签标注，获得区域变迁状况标签数据，具体地，获取卫星图像训练数据，其中，所述卫星图像训练数据至少包括一训练卫星图像，进而对每一所述训练卫星图像均执行以下步骤：

提取所述训练卫星图像中的各区域变迁状况表示值，其中，所述区域变迁状况表示值为表示区域变迁状况的区域变迁状况特征值，例如，绿化率、建筑密度以及街道数量等，进而基于各所述区域变迁状况表示值，为所述训练卫星图像匹配对应的区域变迁状况标签，进而获得区域变迁状况标签数据，其中，所述区域变迁状况标签数据至少包括一区域变迁状况标签。

其中，所述卫星图像训练数据至少包括一训练卫星图像，所述区域变迁状况标签数据至少包括一区域变迁状况标签，

所述对所述卫星图像训练数据进行针对于区域变迁状况特征的标签标注，获得区域变迁状况标签数据的步骤包括：

步骤A11，提取所述训练卫星图像中的区域变迁状况特征数据；

在本实施例中，提取所述训练卫星图像中的区域变迁状况特征数据，具体地，对所述训练卫星图像进行语义分割，获得绿地区域语义图像、建筑区域语义图像以及街道区域语义图像，进而基于所述绿地区域语义图像在所述训练卫星图像中的面积占比，计算所述训练卫星图像对应的拍摄区域的绿化率，并基于所述建筑区域语义图像在所述训练卫星图像中的面积占比，计算所述训练卫星图像对应的拍摄区域的建筑密度，并统计所述街道区域语义图像中的街道数量，例如，街道区域语义图像中每一横线或者竖线作为一条街道，进而将所述绿化率、建筑密度和所述街道数量组成的区域变迁状况向量共同作为所述区域变迁状况特征数据，例如，假设绿化率为40％，建筑密度为20％,街道数量为100，则所述区域变迁状况特征数据为向量(0.4，0.2，100)。

步骤A12，基于所述区域变迁状况特征数据，对所述训练卫星图像进行标签标注，获得所述区域变迁状况标签。

在本实施例中，基于所述区域变迁状况特征数据，对所述训练卫星图像进行标签标注，获得所述区域变迁状况标签，具体地，将所述区域变迁状况向量映射为区域变迁状况特征表示值，例如利用softmax函数将向量映射为值等，进而将所述区域变迁状况特征表示值归一化至预设标签值取值范围，获得所述区域变迁状况标签，并将所述区域变迁状况标签赋予对应的训练卫星图像。

其中，所述区域变迁状况特征数据至少包括建筑密度特征数据、街道数量特征数据和绿化率特征数据,

所述基于所述区域变迁状况特征数据，对所述训练卫星图像进行标签标注，获得所述区域变迁状况标签的步骤包括：

步骤A121，对所述建筑密度特征数据、街道数量特征数据和绿化率特征数据进行聚合，获得聚合特征数据；

在本实施例中，对所述建筑密度特征数据、街道数量特征数据和绿化率特征数据进行聚合，获得聚合特征数据，具体地，基于预设聚合规则，对所述建筑密度特征数据、街道数量特征数据和绿化率特征数据进行聚合，获得聚合特征数据，其中，所述预设聚合规则包括加权求和以及加权平均等，例如，假设所述建筑密度特征数据对应的特征值为0.2，所述街道数量特征数据对应的特征值为200，所述绿化率特征数据对应的特征值为0.6，预设聚合规则为加权求和，进而所述聚合特征数据对应的特征值为0.2+200*0.01+0.6＝0.9，进而归一化至1。

步骤A122，匹配所述聚合特征数据对应的图像标签，获得所述区域变迁状况标签。

在本实施例中，匹配所述聚合特征数据对应的图像标签，获得所述区域变迁状况标签，具体地，以所述聚合特征数据中的聚合特征值作为索引，查询所述训练卫星图像的图像标签，获得所述区域变迁状况标签。

步骤A20，基于所述卫星图像训练数据和所述区域变迁状况标签数据，通过与第二设备进行联邦学习，构建所述区域变迁状况预测模型。

在本实施例中，需要说明的是，在进行联邦学习时，所述第二设备的数量至少为1，所述区域变迁状况标签数据至少包括一区域变迁状况标签，所述卫星图像训练数据至少包括一训练卫星图像。

基于所述卫星图像训练数据和所述区域变迁状况标签数据，通过与第二设备进行联邦学习，构建所述区域变迁状况预测模型，具体地，获取待训练预测模型，在所述卫星图像训练数据和所述区域变迁状况标签数据中选取训练样本数据，其中，所述训练样本数据至少包括一训练样本，一所述训练样本包括一训练卫星图像和所述训练卫星图像对应的区域变迁状况标签，进而基于所述训练样本数据，对所述待训练预测模型进行迭代训练更新至预设迭代次数，获取迭代训练更新后的待训练预测模型的第一加密模型参数，并将所述第一加密模型参数发送至联邦服务器，以供联邦服务器对所述第一加密模型参数和各第二设备发送的第二加密模型参数进行聚合，生成加密聚合模型参数，并将所述加密聚合模型参数反馈至第一设备与各第二设备，进而第一设备接收所述联邦服务器发送加密聚合模型参数，并将所述加密聚合模型参数解密为聚合模型参数，进而基于所述聚合模型参数，更新所述待训练预测模型，并判断更新后的待训练预测模型是否满足预设联邦结束条件，若满足，则将所述待训练预测模型作为所述区域变迁状况预测模型，若不满足，则返回所述在所述卫星图像训练数据和所述区域变迁状况标签数据中选取训练样本数据的步骤，其中，所述预设联邦结束条件包括损失函数收敛和达到最大迭代次数阈值。

其中，所述基于所述卫星图像训练数据和所述区域变迁状况标签数据，通过与第二设备进行联邦学习，构建所述区域变迁状况预测模型的步骤包括：

步骤A21，获取待训练预测模型，在所述卫星图像训练数据和所述区域变迁状况标签数据中选取训练样本数据；

在本实施例中，需要说明的是，所述训练样本数据至少包括一训练样本，一所述训练样本包括一来自于所述卫星图像训练数据中的训练卫星图像和一来自于所述区域变迁状况标签数据中的区域变迁状况标签。

步骤A22，基于所述训练样本数据，对所述待训练预测模型进行迭代训练更新至预设迭代次数，以获取所述待训练预测模型的第一加密模型参数；

在本实施例中，基于所述训练样本数据，对所述待训练预测模型进行迭代训练更新至预设迭代次数，以获取所述待训练预测模型的第一加密模型参数，具体地，在所述训练样本数据中选取训练样本，并将所述训练样本对应的训练卫星图像输入所述待训练预测模型，执行模型预测，获得模型输出标签，进而计算所述模型输出标签与所述训练样本对应的区域变迁状况标签之间的差值，获得模型损失，进而基于所述模型损失，更新所述待训练预测模型，并判断更新后的待训练预测模型是否满足预设联邦结束条件，若满足，则将所述待训练预测模型作为所述区域变迁状况预测模型，若不满足，则返回在所述训练样本数据中选取训练样本的步骤，直至待训练预测模型的迭代次数达到预设迭代次数，获取所述待训练预测模型的第一模型参数，并对所述第一模型参数进行加密，获得第一加密模型参数。

步骤A23，将所述第一加密模型参数发送至联邦服务器，以供所述联邦服务器对所述第一加密模型参数和各第二设备发送的第二加密模型参数进行聚合，获得加密聚合模型参数；

在本实施例中，将所述第一加密模型参数发送至联邦服务器，以供所述联邦服务器对所述第一加密模型参数和各第二设备发送的第二加密模型参数进行聚合，获得加密聚合模型参数，具体地，将所述第一加密模型参数发送至联邦服务器，以供所述联邦服务器基于预设联邦聚合规则，对所述第一加密模型参数以及各第二设备发送的第二加密模型参数进行加密聚合，获得加密聚合模型参数，其中，所述预设联邦聚合规则包括加权平均以及加权求和等，第二设备生成所述第二加密模型参数与第一设备生成第一加密模型参数的步骤相同，在此不再赘述，具体可参考步骤A21至步骤A22中的内容。

步骤A24，基于所述加密聚合模型参数，更新所述待训练预测模型，并判断更新后的待训练预测模型是否满足预设联邦结束条件；

在本实施例中，基于所述加密聚合模型参数，更新所述待训练预测模型，并判断更新后的待训练预测模型是否满足预设联邦结束条件，具体地，对所述加密聚合模型参数进行解密，生成聚合模型参数，并将所述待训练预测模型的模型参数替换更新为所述聚合模型参数，并判断替换更新后的待训练预测模型是否满足预设联邦结束条件，其中，所述预设联邦结束条件包括损失函数收敛以及达到最大迭代次数阈值等。

步骤A25，若满足，则将所述待训练预测模型作为所述区域变迁状况预测模型；

步骤A26，若不满足，则返回所述在所述卫星图像训练数据和所述区域变迁状况标签数据中选取训练样本数据的步骤。

在本实施例中，若满足，则证明待训练预测模型的模型性能达到预期，将所述待训练预测模型作为所述区域变迁状况预测模型，若不满足，则证明待训练预测模型的模型性未能达到预期，进而返回所述在所述卫星图像训练数据和所述区域变迁状况标签数据中选取训练样本数据的步骤，以继续进行联邦学习，直至更新后的待训练预测模型是否满足预设联邦结束条件。

本申请实施例提供了一种基于联邦学习构建区域变迁状况预测模型的方法，也即，获取卫星图像训练数据，并对所述卫星图像训练数据进行针对于区域变迁状况特征的标签标注，获得区域变迁状况标签数据，进而基于所述卫星图像训练数据和所述区域变迁状况标签数据，通过与第二设备进行联邦学习，构建所述区域变迁状况预测模型，进而实现了在保护各颗卫星的隐私不被泄露的前提下，联合多颗卫星的卫星图像训练数据构建所述区域变迁状况预测模型的目的，扩展了模型构建时的样本，提升了区域变迁状况预测模型的预测准确度，进而在获取目标区域的卫星图像之后，即可基于联邦学习构建的区域变迁状况预测模型和所述卫星图像对应的区域变迁状况图像特征信息，对所述目标区域进行区域变迁状况类别预测，获得区域变迁状况类别预测结果，进而基于所述区域变迁状况类别预测结果，生成所述目标区域对应的区域变迁状况预测结果，进而实现了实时进行区域变迁状况预测与基于准确度更高的区域变迁状况预测模型进行区域变迁状况预测的目的，所以，提升了区域变迁状况预测的准确度，为克服现有技术中由于统计城市变迁因素数据是处于不断变化的，而统计城市变迁因素数据的工作通常在时间尺度上是漫长的，进而将导致用于进行城市变迁状况预测的城市变迁因素数据通常在时间尺度上是滞后的，进而使得城市变迁状况预测结果在时间尺度上存在滞后性，区域变迁状况预测的准确性不高的技术缺陷奠定了基础。

参照图5，图5是本申请实施例方案涉及的硬件运行环境的设备结构示意图。

如图5所示，该区域变迁状况预测设备可以包括：处理器1001，例如CPU，存储器1005，通信总线1002。其中，通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。

可选地，该区域变迁状况预测设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard)，可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。

本领域技术人员可以理解，图5中示出的区域变迁状况预测设备结构并不构成对区域变迁状况预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图5所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及区域变迁状况预测程序。操作系统是管理和控制区域变迁状况预测设备硬件和软件资源的程序，支持区域变迁状况预测程序以及其它软件和/或，程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与区域变迁状况预测系统中其它硬件和软件之间通信。

在图5所示的区域变迁状况预测设备中，处理器1001用于执行存储器1005中存储的区域变迁状况预测程序，实现上述任一项所述的区域变迁状况预测方法的步骤。

本申请区域变迁状况预测设备具体实施方式与上述区域变迁状况预测方法各实施例基本相同，在此不再赘述。

本申请实施例还提供一种区域变迁状况预测装置，所述区域变迁状况预测装置应用于区域变迁状况预测设备，所述区域变迁状况预测装置包括：

类别预测模块，用于获取目标区域的卫星图像，并基于联邦学习构建的区域变迁状况预测模型和所述卫星图像对应的区域变迁状况图像特征信息，对所述目标区域进行区域变迁状况类别预测，获得区域变迁状况类别预测结果；

生成模块，用于基于所述区域变迁状况类别预测结果，生成所述目标区域对应的区域变迁状况预测结果。

可选地，所述类别预测模块还用于：

基于所述特征提取器，对所述卫星图像进行特征提取，获得所述区域变迁状况图像特征信息；

依据所述区域变迁状况图像特征信息和所述分类器，预测所述目标区域的区域变迁状况类别，获得所述区域变迁状况类别预测结果。

可选地，所述生成模块还用于：

对所述区域变迁状况类别预测结果进行加密，获得第一加密分类结果；

将所述第一加密分类结果发送至纵向联邦服务器，以供所述纵向联邦服务器对所述第一加密分类结果和各第二设备发送的第二加密分类结果进行聚合，获得加密聚合结果；

接收所述加密聚合结果，并依据所述加密聚合结果，生成所述区域变迁状况预测结果。

可选地，所述区域变迁状况预测装置还用于：

获取卫星图像训练数据，并对所述卫星图像训练数据进行针对于区域变迁状况特征的标签标注，获得区域变迁状况标签数据；

基于所述卫星图像训练数据和所述区域变迁状况标签数据，通过与第二设备进行联邦学习，构建所述区域变迁状况预测模型。

可选地，所述区域变迁状况预测装置还用于：

获取待训练预测模型，在所述卫星图像训练数据和所述区域变迁状况标签数据中选取训练样本数据；

基于所述训练样本数据，对所述待训练预测模型进行迭代训练更新至预设迭代次数，以获取所述待训练预测模型的第一加密模型参数；

将所述第一加密模型参数发送至联邦服务器，以供所述联邦服务器对所述第一加密模型参数和各第二设备发送的第二加密模型参数进行聚合，获得加密聚合模型参数；

基于所述加密聚合模型参数，更新所述待训练预测模型，并判断更新后的待训练预测模型是否满足预设联邦结束条件；

若满足，则将所述待训练预测模型作为所述区域变迁状况预测模型；

若不满足，则返回所述在所述卫星图像训练数据和所述区域变迁状况标签数据中选取训练样本数据的步骤。

可选地，所述区域变迁状况预测装置还用于：

提取所述训练卫星图像中的区域变迁状况特征数据；

基于所述区域变迁状况特征数据，对所述训练卫星图像进行标签标注，获得所述区域变迁状况标签。

可选地，所述区域变迁状况预测装置还用于：

对所述建筑密度特征数据、街道数量特征数据和绿化率特征数据进行聚合，获得聚合特征数据；

匹配所述聚合特征数据对应的图像标签，获得所述区域变迁状况标签。

本申请区域变迁状况预测装置的具体实施方式与上述区域变迁状况预测方法各实施例基本相同，在此不再赘述。

本申请实施例提供了一种介质，所述介质为可读存储介质，且所述可读存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的区域变迁状况预测方法的步骤。

本申请可读存储介质具体实施方式与上述区域变迁状况预测方法各实施例基本相同，在此不再赘述。

本申请实施例提供了一种计算机程序产品，且所述计算机程序产品包括有一个或者一个以上计算机程序，所述一个或者一个以上计算机程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的区域变迁状况预测方法的步骤。

本申请计算机程序产品具体实施方式与上述区域变迁状况预测方法各实施例基本相同，在此不再赘述。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利处理范围内。