Este artículo propone Dual-LS, un novedoso paradigma de aprendizaje continuo, para abordar el problema del olvido crítico que surge en la inteligencia artificial (IA), en particular en la predicción del movimiento de vehículos basada en redes neuronales profundas (DNN), que constituyen la base de los servicios de las ciudades inteligentes. Las soluciones existentes presentan altos costos de recopilación de datos, baja eficiencia de muestreo y una incapacidad para equilibrar las experiencias a largo y corto plazo. Inspirado en el sistema de aprendizaje complementario del cerebro humano, Dual-LS combina dos mecanismos sinérgicos de ensayo y repetición de memoria para acelerar la recuperación de experiencias y ajustar dinámicamente las representaciones de conocimiento a largo y corto plazo. Los resultados experimentales, utilizando datos del mundo real de tres países, más de 770.000 vehículos y un total de 11.187 km de distancia acumulada de conducción de prueba, demuestran que Dual-LS mitiga el olvido crítico hasta en un 74,31 %, reduce los requisitos de recursos computacionales hasta en un 94,02 % y mejora significativamente la estabilidad de la predicción sin aumentar los requisitos de datos. En conclusión, Dual-LS proporciona una adaptabilidad de aprendizaje continuo computacionalmente eficiente y similar a la humana para la predicción del movimiento de vehículos basada en DNN, proporcionando un modelo adecuado para ciudades inteligentes.
