Die Vorhersage des Verkehrsflusses ist entscheidend für intelligente Verkehrssysteme und trägt zur Routenplanung und Navigation bei. Bisherige Forschungen konzentrieren sich jedoch oft darauf, die Vorhersagegenauigkeit zu verbessern, und vernachlässigen die tatsächlichen Probleme externer Einflüsse und Randgeräte wie Ressourcenbeschränkungen und Datenknappheit. In diesem Artikel wird ein Rahmenwerk vorgeschlagen, das auf Online-Transferlernen und durch mehrschichtige Perzeptron-aided graphische Faltungsnetze (OTL-GM) basiert, bestehend aus zwei Teilen: Das Übertragen von Merkmalen des Quellbereichs auf Randgeräte und das Schließen der Kluft zwischen den Bereichen durch Online-Lernen. Die Wirksamkeit des Online-Transferlernens wird auf 4 Datensätzen überprüft. Im Vergleich zum Modell ohne Online-Transferlernen beträgt die Reduktionsrate der Konvergenzzeit bei Verwendung des Modells mit Online-Transferlernen zwischen 24,77% und 95,32%, je nach Modell.

Online-Transferlernen; Vorhersage des Verkehrsflusses; intelligente Randgeräte