교통 흐름 예측은 스마트 트래픽 시스템에 대단히 중요하며 경로 계획 및 내비게이션에 도움이 됩니다. 그러나 기존 연구는 종종 예측 정확도를 향상시키는 데 초점을 맞추고, 리소스 제한 및 데이터 희소성과 같은 외부 영향 및 가장자리 장치의 실제 문제를 무시합니다. 본 논문에서는 온라인 전이 학습과 다층 퍼셉트론 보조 그래프 컨볼루션 네트워크 (OTL-GM) 기반의 프레임 워크를 제안합니다. 이 프레임 워크는 두 부분으로 구성되어 있습니다. 즉, 소스 영역 기능을 가장자리 장치로 전송하고 온라인 학습을 통해 영역 사이의 격차를 메우는 것입니다. 온라인 전이 학습의 효과는 4 개의 데이터 세트에서 확인되었습니다. 온라인 전이 학습을 활용하는 모델과 비교하여 다른 모델의 수렴 시간 감소 비율은 24.77 %에서 95.32 %에 이릅니다.

온라인 전이 학습; 교통 흐름 예측; 지능적 스마트 장치