본 논문은 스마트 시티 서비스의 기반이 되는 인공지능, 특히 심층 신경망(DNN) 기반 차량 이동 예측에서 발생하는 치명적인 망각 문제를 해결하기 위한 새로운 지속 학습 패러다임인 Dual-LS를 제안합니다. 기존의 해결책들은 데이터 수집 비용이 높고, 샘플 효율이 낮으며, 장기 및 단기 경험의 균형을 맞추지 못하는 한계를 가지고 있습니다. Dual-LS는 인간 뇌의 상보적 학습 시스템에서 영감을 얻어, 두 가지 상승적인 메모리 리허설 재생 메커니즘을 결합하여 경험 검색을 가속화하고 장기 및 단기 지식 표현을 동적으로 조정합니다. 3개국, 77만 대 이상의 차량, 총 11,187km의 누적 테스트 주행 거리에 대한 실제 데이터를 사용한 실험 결과, Dual-LS는 치명적인 망각을 최대 74.31%까지 완화하고, 계산 자원 요구량을 최대 94.02%까지 줄이며, 데이터 요구 사항을 증가시키지 않고 차량 이동 예측의 예측 안정성을 크게 향상시키는 것으로 나타났습니다. 결론적으로, Dual-LS는 계산 효율적이고 인간과 유사한 지속 학습 적응성을 DNN 기반 차량 이동 예측에 부여하여 스마트 시티에 적합한 모델을 제공합니다.
