Resumen

Con la aceleración de la urbanización y el aumento en el número de vehículos motorizados, han surgido cada vez más problemas sociales como la congestión del tráfico. En consecuencia, la predicción eficiente y precisa del flujo de tráfico se ha convertido en un punto de investigación candente en el campo del transporte inteligente. Sin embargo, los algoritmos tradicionales de aprendizaje automático no pueden optimizar aún más el modelo con el aumento de la escala de datos, y los algoritmos de aprendizaje profundo tienen un rendimiento deficiente en aplicaciones móviles o en tiempo real; cómo entrenar y actualizar modelos de aprendizaje profundo de manera eficiente y precisa sigue siendo un problema urgente, ya que requieren enormes recursos de computación y costos de tiempo. Por lo tanto, en este estudio se propone un modelo CNN-LTSM basado en aprendizaje incremental, IL-TFNet, para la predicción del flujo de tráfico. La arquitectura del modelo basado en una red neuronal convolucional liviana está diseñada para procesar características espacio-temporales y del entorno externo simultá

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Urbanización; Vehículos de motor; Congestión del tráfico; Predicción del flujo de tráfico; Modelos de aprendizaje profundo; Aprendizaje incremental
• Keywords:Urbanization; Motor vehicles; Traffic congestion; Traffic flow prediction; Deep learning models; Incremental learning