Cet article propose Dual-LS, un nouveau paradigme d'apprentissage continu, pour résoudre le problème d'oubli critique qui se pose en intelligence artificielle (IA), en particulier dans la prédiction des mouvements de véhicules basée sur les réseaux neuronaux profonds (DNN), qui constituent le fondement des services de ville intelligente. Les solutions existantes souffrent de coûts élevés de collecte de données, d'une faible efficacité d'échantillonnage et d'une incapacité à équilibrer les expériences à long et à court terme. Inspiré par le système d'apprentissage complémentaire du cerveau humain, Dual-LS combine deux mécanismes synergiques de répétition et de relecture de la mémoire pour accélérer la récupération de l'expérience et ajuster dynamiquement les représentations des connaissances à long et à court terme. Les résultats expérimentaux utilisant des données du monde réel provenant de trois pays, plus de 770 000 véhicules et un total de 11 187 km de distance d'essai cumulée démontrent que Dual-LS atténue l'oubli critique jusqu'à 74,31 %, réduit les besoins en ressources de calcul jusqu'à 94,02 % et améliore significativement la stabilité des prédictions sans augmenter les besoins en données. En conclusion, Dual-LS offre une adaptabilité d'apprentissage continu efficace sur le plan informatique et de type humain à la prédiction des mouvements de véhicules basée sur DNN, fournissant un modèle adapté aux villes intelligentes.
