1.一种面向异构智慧交通系统的联邦学习客户端选择方法，其特征在于，包括以下步骤：S1、建立基于联邦学习协议的全局预测模型，将客户端选择问题通过权衡训练时间与客户端数量，建模为二维完全背包问题；

S2、获取所有客户端的CPU执行频率和客户端与边缘服务器的物理距离；用表示N个客户端，将获得的客户端信息用 表示，其中 表示客户端 的CPU执行频率， 表示客户端与服务器的物理位置；

S3、根据客户端的CPU执行频率和与边缘服务器的物理距离通过异构感知聚类方法将客户端聚类；在初始化阶段，创建一个 的矩阵 用于存储每个客户端的分配情况，随机选择 内K个客户端作为初始中心点，创建一个判断变量用于表示聚类中心点是否有变化，其中True表示中心点发生变化，Fault则表示没有变化，创建一个变量 用于表示当前最小距离，并赋值为∞；计算每个客户端 和中心点 之间的欧几里得距离并赋给变量 ，判断变量 是否大于变量 ，是则赋值并将客户端 分配至中心点 ，否则更新矩阵，得到初始的K个客户端集；根据每个客户端集中每个客户端的信息重新计算中心点，然后重复分配过程，直到分配结果不再改变，得到最终的K个客户端集；S4、将得到的聚类结果通过客户端选择方法最大化截止时间内参与训练的客户端数量。

2.根据权利要求1所述的一种面向异构智慧交通系统的联邦学习客户端选择方法，其特征在于，对所述全局预测模型采用在每个训练轮次中选择一组客户端的方式进行训练，基于联邦学习协议，在训练过程中，服务器将当前全局算法状态发送给所选客户端，所选客户端根据全局状态及其本地数据集进行本地计算，并向服务器发送更新，服务器将更新应用至全局预测模型，完成一次训练轮次。

3.根据权利要求1所述的一种面向异构智慧交通系统的联邦学习客户端选择方法，其特征在于，所述将客户端选择问题建模为二维完全背包问题具体为：将截止时间和训练轮数作为背包的两个容量，将每一类客户端集合代表每一种物品，将客户端集合中最大训练时间和客户端集合中的客户端数量分别作为选择该客户端集合能够获得的价值和需要支付的代价，将客户端选择问题建模为完全背包问题和二维背包问题的混合，即是二维完全背包问题。

4.根据权利要求1所述的一种面向异构智慧交通系统的联邦学习客户端选择方法，其特征在于，所述异构感知聚类方法为基于K‑means的异构感知聚类方法。

5.根据权利要求4所述的一种面向异构智慧交通系统的联邦学习客户端选择方法，其特征在于，步骤S3中，判断变量 是否大于变量 具体为：若变量 的值大于 的值，则将 的值赋给 ，并将客户端 分配给中心点 ；若当

前客户端 的分配结果与矩阵 中现有的分配情况不同，则意味着分配已

更改，则将 赋值为True，然后更新 ，得到初始的K个客

户端集。

6.根据权利要求5所述的一种面向异构智慧交通系统的联邦学习客户端选择方法，其特征在于，在步骤S4中，用 表示总训练轮次，用 表示训练截止时间，步骤S4的过程具体为：S41、初始化阶段，创建一个长度为K+1的列表 用于存储每个客户端集的最大训练时间，创建一个长度为K+1的列表 用于存储每个客户端集的数量，创建一个的二维数组F用于记录客户端选择过程；

S42、计算步骤S3得到的K个客户端集的最大训练时间和客户端集内客户端的数量，并存入列表 和列表 ；

S43、根据列表 和列表 采用动态规划来计算参与训练的客户端的最大数量。

7.一种面向异构智慧交通系统的联邦学习客户端选择系统，包括存储器、处理器，所述存储器中包括面向异构智慧交通系统的联邦学习客户端选择程序，所述面向异构智慧交通系统的联邦学习客户端选择程序被所述处理器执行时实现如下步骤：S1、建立基于联邦学习协议的全局预测模型，将客户端选择问题通过权衡训练时间与客户端数量，建模为二维完全背包问题；

S2、获取所有客户端的CPU执行频率和客户端与边缘服务器的物理距离；用表示N个客户端，将获得的客户端信息用 表示，其中 表示客户端 的CPU执行频率， 表示客户端与服务器的物理位置；

S3、根据客户端的CPU执行频率和与边缘服务器的物理距离通过异构感知聚类方法将客户端聚类；在初始化阶段，创建一个 的矩阵 用于存储每个客户端的分配情况，随机选择 内K个客户端作为初始中心点，创建一个判断变量用于表示聚类中心点是否有变化，其中True表示中心点发生变化，Fault则表示没有变化，创建一个变量 用于表示当前最小距离，并赋值为∞；计算每个客户端 和中心点 之间的欧几里得距离并赋给变量 ，判断变量 是否大于变量 ，是则赋值并将客户端 分配至中心点 ，否则更新矩阵，得到初始的K个客户端集；根据每个客户端集中每个客户端的信息重新计算中心点，然后重复分配过程，直到分配结果不再改变，得到最终的K个客户端集；

S4、将得到的聚类结果通过客户端选择方法最大化截止时间内参与训练的客户端数量。