2021年10月1日，由我院曹敦副教授指導(dǎo)，研究生曾凱為第二作者，以長沙理工大學(xué)為第一單位的論文被《IEEE Transactions on Intelligent Transportation Systems》錄用?！禝EEE Transactions on Intelligent Transportation Systems》是智能交通系統(tǒng)領(lǐng)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(shù)的理論及其在智能交通系統(tǒng)領(lǐng)域的應(yīng)用，對論文的理論與應(yīng)用貢獻(xiàn)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(lǐng)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(luò)對城市中出租車需求量進(jìn)行細(xì)粒度、高精度、高效率地動態(tài)預(yù)測問題。對城市中出租車需求量進(jìn)行預(yù)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。現(xiàn)有研究大多基于卷積神經(jīng)網(wǎng)絡(luò)（Conventional Neural Network, CNN）和長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory Network, LSTM）進(jìn)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(guān)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(jì)算的性能缺陷，計(jì)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(luò)，對異構(gòu)時空信息進(jìn)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(kuò)展到全局，且得益于位置編碼（Positional Embedding）和自注意力（Self-Attention）機(jī)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(shí)出租車需求量數(shù)據(jù)集上進(jìn)行的實(shí)驗(yàn)證明了其具有較高的預(yù)測精確度，以及較高的預(yù)測時間效率，對優(yōu)化城市公共出行效率具有較高的可實(shí)用性和現(xiàn)實(shí)價值。