Dual‑LS: Kontinuierliches Lernen für Fahrzeugprognosen in Smart Cities

In der heutigen Smart‑City‑Technologie steht die künstliche Intelligenz im Mittelpunkt, doch Deep‑Learning‑Modelle, die Fahrzeugbewegungen vorhersagen, leiden häufig unter dem Phänomen des „catastrophic forgetting“. Dabei verlieren sie ihr bisheriges Wissen, sobald neue Daten in das System eingespeist werden. Traditionelle Lösungen, wie die Erweiterung des Trainingsdatensatzes oder das wiederholte Durchspielen alter Daten, sind kostenintensiv, ineffizient und schaffen keine ausgewogene Balance zwischen Langzeit‑ und Kurzzeit‑Erfahrung.

Die neue Methode Dual‑LS löst dieses Problem, indem sie ein task‑freies, online‑continual‑Learning‑Paradigma nutzt, das sich an dem komplementären Lernsystem des menschlichen Gehirns orientiert. Dual‑LS kombiniert zwei synergistische Rehearsal‑Replay‑Mechanismen, die die Abrufgeschwindigkeit von Erfahrungen beschleunigen und gleichzeitig die langfristigen und kurzfristigen Wissensrepräsentationen dynamisch koordinieren.

In umfangreichen Tests mit realen Daten aus drei Ländern – mehr als 772.000 Fahrzeugen und 11.187 km gesammelter Teststrecken – konnte Dual‑LS die Auswirkung des catastrofischen Vergessens um bis zu 74,31 % reduzieren. Gleichzeitig senkte die Methode den Bedarf an Rechenressourcen um bis zu 94,02 %. Das Ergebnis ist eine deutlich stabilere Vorhersageleistung bei gleichzeitig geringerem Datenaufwand.

Dual‑LS demonstriert damit, dass Deep‑Learning‑Modelle für Fahrzeugbewegungsprognosen nicht nur effizienter, sondern auch menschenähnlich lernfähig werden können. Diese Fortschritte sind ein wichtiger Schritt, um die Zuverlässigkeit und Nachhaltigkeit von Smart‑City‑Anwendungen weiter zu erhöhen.