摘要：交通流量预测是建设智能交通管理系统的核心,目前基于图深度神经网络的交通流量预测算法已取得显著成效。然而传统的深度学习模型需要事先获得大量样本,使用离线训练得到的固定模型对未来发生的情况进行预测,当遇到未知情况时模型面临失效的风险。针对交通流量预测中流式数据对模型更新带来的挑战,以减轻模型灾难性遗忘、同时增强模型对新模式的学习能力为目标,研究并设计了一种基于最小化损失保持和图结构聚合保持的交通流量预测持续学习模型。该模型通过分别评估各参数对损失函数以及对图拓扑结构的贡献度提取重要参数,在面临新任务时通过对不同重要性的参数赋予不同权重系数、设计惩罚项更新损失函数,使得模型能够自适应地学习新模式,同时记住旧任务。在国际标准交通流量预测数据集上的测试表明,文章提出的方法有效缓解了流式时序序列预测的灾难性遗忘现象,并且对新任务具有良好的预测精度。