交通流の予測はインテリジェントな交通システムにとって重要であり、経路の計画やナビゲーションに役立ちます。しかし、既存の研究は通常、予測の正確性向上に焦点を当てており、リソースの制約やデータのまばらさなどの外部影響やエッジデバイスの実際の問題を無視しています。本稿では、オンライン転移学習とマルチレイヤーパーセプトロン補助グラフ畳み込みネットワーク（OTL-GM）ベースのフレームワークが提案されました。このフレームワークは、ソース領域の特徴をエッジデバイスに転送し、オンライン学習により領域間のギャップを埋める2つのパートで構成されています。オンライン転移学習の有効性は4つのデータセットで確認されました。オンライン転移学習モデルを使用した場合、異なるモデルの収束時間の減少率は24.77％から95.32％までさまざまです。

オンライン転移学習; 交通流の予測; エッジインテリジェントデバイス