互补学习系统赋能智慧城市中车辆运动预测的在线持续学习
机器学习
2025-09-09 v2 人工智能
摘要
人工智能支撑着大多数智慧城市服务，但预测车辆运动的深度神经网络（DNN）仍难以应对灾难性遗忘，即模型更新时先前知识的丢失。传统的解决方法扩大训练集或重放过去数据，但这些策略数据收集成本高、样本效率低，且无法平衡长期和短期经验，缺乏类人的持续学习能力。在此我们引入了 Dual-LS，一种受人类大脑互补学习系统启发的、无任务的在线持续学习范式，用于基于 DNN 的运动预测。Dual-LS 配对两个协同的记忆重放机制以加速经验检索，同时动态协调长期和短期知识表征。在涵盖三个国家、超过 772,000 辆车和累计测试里程 11,187 公里的自然数据上的测试表明，Dual-LS 将灾难性遗忘最多降低 74.31%，将计算资源需求最多减少 94.02%，显著提升了车辆运动预测的预测稳定性且不增加数据需求。同时，它赋予基于 DNN 的车辆运动预测计算高效且类人的持续学习适应性，适合智慧城市应用。
引用
@article{arxiv.2508.19597,
title = {Complementary Learning System Empowers Online Continual Learning of Vehicle Motion Forecasting in Smart Cities},
author = {Zirui Li and Yunlong Lin and Guodong Du and Xiaocong Zhao and Cheng Gong and Chen Lv and Chao Lu and Jianwei Gong},
journal= {arXiv preprint arXiv:2508.19597},
year = {2025}
}
备注
19 pages, 6 figures