研究人员开发了DSETA，一个新颖的双阶段持续学习框架，旨在提高动态交通环境下的行程时间预测准确性。该框架通过区分日间和日内学习阶段，适应不规则的交通模式和突发拥堵，解决了现有方法的局限性。DSETA包含一个历史交通知识巩固模块，以减轻灾难性遗忘，并在实际应用中展示了显著的性能提升，包括在北京的DiDi平台上将平均绝对误差（MAE）降低了6.62%。 AI
影响 提高了实时交通预测的准确性，这对于网约车平台和城市规划至关重要。
排序理由 详细介绍特定机器学习任务新框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
