La prévision du flux de trafic est essentielle pour un système de gestion du trafic intelligent et contribue à la planification des itinéraires et à la navigation. Cependant, les recherches actuelles se concentrent généralement sur l'amélioration de la précision des prévisions, en négligeant les influences extérieures et les problèmes réels des périphériques, tels que les limitations des ressources et la rareté des données. Cet article propose un cadre basé sur l'apprentissage en ligne du transfert et le réseau de neurones à convolution graphique multi-couche auxiliaire (OTL-GM), qui se compose de deux parties : le transfert des caractéristiques du domaine source sur les périphériques et le comblement de l'écart entre les domaines par l'apprentissage en ligne. L'efficacité du transfert en ligne des connaissances a été vérifiée sur 4 ensembles de données ; par rapport aux modèles n'utilisant pas le transfert en ligne des connaissances, la proportion de diminution du temps de convergence des différents modèles variait de 24,77% à 95,32%.

apprentissage en ligne du transfert; prévision du flux de trafic; périphériques intelligents