讲座时间：7月10日9:00-12:00
讲座地点：科学园2H425
讲座主题：面向可扩展的出租车需求预测
讲座嘉宾简介
沈家星，岭南大学数据科学学院人工智能学部助理教授，数据科学硕士项目主任，生成式人工智能通识课程协调员。本科毕业于吉林大学软件工程专业，后于香港理工大学获得计算机科学博士学位，并曾作为访问学者在麻省理工学院媒体实验室开展研究。其研究聚焦于AIoT赋能的人类动力学，这是一个利用人工智能和物联网分析与建模人类行为的交叉学科领域。研究兴趣包括以人为中心的计算、上下文感知计算、移动计算、数据挖掘和生成式人工智能。在ACM TOIS、IEEE TMC、IEEE TKDE 等顶级期刊发表了具有影响力的论文，并多次获奖，包括2020年IEEE INFOCOM大会杰出论文奖。
讲座摘要
准确且可扩展的出租车需求预测对智能城市交通的发展至关重要，但其仍面临严峻挑战，包括数据高度稀疏、出行模式快速变化，以及对灵活时间分辨率的需求。传统统计模型和深度学习模型往往难以应对这些复杂性，尤其是在低需求区域或非高峰时段。在本次报告中，我将介绍两种创新的时空框架 ——STZIP-GNN 和 SSTZIP-GNN，它们借助图神经网络和自适应机制来解决上述问题。STZIP-GNN 在零膨胀泊松（ZIP）框架内集成了扩散图卷积和时间卷积网络，能够稳健捕捉高度稀疏数据中的空间和时间依赖关系。在此基础上，SSTZIP-GNN 引入了可扩展的自适应架构，支持同时对多时间分辨率的出租车需求进行建模，在保持高预测精度的同时显著降低计算成本。我们的模型在香港大规模交通数据集上进行了验证，结果表明，在预测准确性、计算效率以及对真实城市动态的适应性方面，其性能均显著优于最先进的基线模型。所提出的框架不仅推动了城市交通分析领域的发展，还为高效出租车调度、动态定价和可持续交通规划提供了实践洞见。
