Bài báo này đề xuất Dual-LS, một mô hình học liên tục mới, để giải quyết vấn đề quên quan trọng phát sinh trong trí tuệ nhân tạo (AI), đặc biệt là trong dự đoán chuyển động của phương tiện dựa trên mạng nơ-ron sâu (DNN), tạo thành nền tảng của các dịch vụ thành phố thông minh. Các giải pháp hiện có gặp phải vấn đề là chi phí thu thập dữ liệu cao, hiệu quả lấy mẫu thấp và không có khả năng cân bằng giữa trải nghiệm dài hạn và ngắn hạn. Lấy cảm hứng từ hệ thống học tập bổ sung của não người, Dual-LS kết hợp hai cơ chế diễn tập và phát lại bộ nhớ hiệp đồng để tăng tốc quá trình truy xuất trải nghiệm và điều chỉnh động các biểu diễn kiến thức dài hạn và ngắn hạn. Kết quả thử nghiệm sử dụng dữ liệu thực tế từ ba quốc gia, hơn 770.000 phương tiện và tổng cộng 11.187 km quãng đường lái thử tích lũy chứng minh rằng Dual-LS giảm thiểu tình trạng quên quan trọng tới 74,31%, giảm yêu cầu về tài nguyên tính toán tới 94,02% và cải thiện đáng kể tính ổn định của dự đoán mà không làm tăng yêu cầu về dữ liệu. Tóm lại, Dual-LS cung cấp khả năng thích ứng học tập liên tục giống con người và hiệu quả về mặt tính toán để dự đoán chuyển động của phương tiện dựa trên DNN, cung cấp một mô hình phù hợp cho các thành phố thông minh.
