Прогнозирование транспортного потока является ключевым для интеллектуальной системы управления транспортом и способствует планированию маршрутов и навигации. Однако текущие исследования обычно сосредоточены на увеличении точности прогнозирования, пренебрегая внешними воздействиями и фактическими проблемами периферийных устройств, такими как ограничения ресурсов и разреженные данные. В данной статье предлагается фреймворк, основанный на онлайн переносе знаний и вспомогательной многослойной нейронной сети свертки графа (OTL-GM), который состоит из двух частей: перенос характеристик исходной области на периферийные устройства и устранение разрыва между областями через онлайн-обучение. Эффективность онлайн переноса знаний была проверена на 4 наборах данных; в сравнении с моделями, не использующими онлайн перенос знаний, доля сокращения времени сходимости различных моделей составила от 24,77% до 95,32%.

онлайн перенос знаний; прогнозирование транспортного потока; интеллектуальные периферийные устройства