2021年10月1日，由我院曹敦副教授指導，研究生曾凱為第二作者，以長沙理工大學為第一單位的論文被《IEEE Transactions on Intelligent Transportation Systems》錄用。《IEEE Transactions on Intelligent Transportation Systems》是智能交通系統(tǒng)領域頂尖的國際期刊，該期刊致力于研究電子電氣工程和信息技術的理論及其在智能交通系統(tǒng)領域的應用，對論文的理論與應用貢獻都有很高的要求，是SCI一區(qū)TOP期刊，影響因子6.492，在智能交通系統(tǒng)領域具有很高的影響力。
該論文“BERT-based Deep Spatial-Temporal Network for Taxi Demand Prediction”主要研究了利用深度時空網(wǎng)絡對城市中出租車需求量進行細粒度、高精度、高效率地動態(tài)預測問題。對城市中出租車需求量進行預測能極大提高公共出行效率，降低出租車空載率和乘客等待時間?，F(xiàn)有研究大多基于卷積神經(jīng)網(wǎng)絡（Conventional Neural Network, CNN）和長短期記憶網(wǎng)絡（Long Short-Term Memory Network, LSTM）進行建模，利用CNN捕捉局部需求量模式相似性，而用LSTM建模需求量的時間特征。然而CNN和LSTM均有模型上的局限性，其中單層CNN感受野有限，需要多層卷積層疊加才能較好地捕捉全局需求量相關性，且易造成一定程度的信息丟失，而LSTM一方面存在對時間序列的記憶能力仍然有限的問題，另一方面則具有無法并行計算的性能缺陷，計算效率較低。針對以上問題，該論文提出了一種基于BERT（Bidirectional Encoder Representations from Transformers）的深度時空網(wǎng)絡，對異構時空信息進行建模。該模型綜合考慮了出租車需求量的動態(tài)時間周期性，并創(chuàng)造性地提出利用各地區(qū)的POIs來建模地區(qū)功能相似性。同時，該模型能將感受野擴展到全局，且得益于位置編碼（Positional Embedding）和自注意力（Self-Attention）機制，使得該模型具有并行處理時間序列的能力。該模型在紐約市真實出租車需求量數(shù)據(jù)集上進行的實驗證明了其具有較高的預測精確度，以及較高的預測時間效率，對優(yōu)化城市公共出行效率具有較高的可實用性和現(xiàn)實價值。