La predicción del flujo de tráfico es crucial para los sistemas de tráfico inteligente y ayuda en la planificación de rutas y la navegación. Sin embargo, las investigaciones existentes suelen centrarse en mejorar la precisión de la predicción, pasando por alto los problemas reales de las influencias externas y los dispositivos periféricos, como las limitaciones de recursos y la escasez de datos. En este artículo se propone un marco basado en transferencia de aprendizaje en línea y redes convolucionales gráficas asistidas por perceptrón multicapa (OTL-GM), compuesto por dos partes: transferir las características del dominio fuente a los dispositivos periféricos y cerrar la brecha entre los dominios a través del aprendizaje en línea. La efectividad de transferencia de aprendizaje en línea se verifica en 4 conjuntos de datos; en comparación con el modelo sin transferencia de aprendizaje en línea, al usar el modelo con transferencia de aprendizaje en línea, la proporción de reducción del tiempo de convergencia de diferentes modelos varía del 24.77% al 95.32%.

Transferencia de aprendizaje en línea; predicción del flujo de tráfico; dispositivos inteligentes periféricos