A previsão do fluxo de tráfego é crucial para os sistemas de tráfego inteligentes e ajuda no planejamento de rotas e navegação. No entanto, as pesquisas existentes costumam se concentrar em melhorar a precisão da previsão e negligenciam os problemas reais de influências externas e dispositivos periféricos, como restrições de recursos e escassez de dados. Neste artigo, é proposta uma estrutura baseada em aprendizagem de transferência online e redes convolucionais gráficas assistidas por perceptrons de múltiplas camadas (OTL-GM), composta por duas partes: transferir as características do domínio de origem para os dispositivos periféricos e fechar a lacuna entre os domínios por meio da aprendizagem online. A eficácia da aprendizagem de transferência online é verificada em 4 conjuntos de dados; em comparação com o modelo sem aprendizagem de transferência online, ao usar o modelo com aprendizagem de transferência online, a proporção de redução do tempo de convergência de diferentes modelos varia de 24.77% a 95.32%.

Aprendizagem de transferência online; previsão do fluxo de tráfego; dispositivos inteligentes periféricos