2021年10月1日，由我院曹敦副教授指导，研究生曾凯为第二作者，以长沙理工大学为第一单位的论文被《IEEE Transactions on Intelligent Transportation Systems》录用。《IEEE Transactions on Intelligent Transportation Systems》是智能交通系统领域顶尖的国际期刊，该期刊致力于研究电子电气工程和信息技术的理论及其在智能交通系统领域的应用，对论文的理论与应用贡献都有很高的要求，是SCI一区TOP期刊，影响因子6.492，在智能交通系统领域具有很高的影响力。
该论文“BERT-based Deep Spatial-Temporal Network for Taxi Demand Prediction”主要研究了利用深度时空网络对城市中出租车需求量进行细粒度、高精度、高效率地动态预测问题。对城市中出租车需求量进行预测能极大提高公共出行效率，降低出租车空载率和乘客等待时间。现有研究大多基于卷积神经网络（Conventional Neural Network, CNN）和长短期记忆网络（Long Short-Term Memory Network, LSTM）进行建模，利用CNN捕捉局部需求量模式相似性，而用LSTM建模需求量的时间特征。然而CNN和LSTM均有模型上的局限性，其中单层CNN感受野有限，需要多层卷积层叠加才能较好地捕捉全局需求量相关性，且易造成一定程度的信息丢失，而LSTM一方面存在对时间序列的记忆能力仍然有限的问题，另一方面则具有无法并行计算的性能缺陷，计算效率较低。针对以上问题，该论文提出了一种基于BERT（Bidirectional Encoder Representations from Transformers）的深度时空网络，对异构时空信息进行建模。该模型综合考虑了出租车需求量的动态时间周期性，并创造性地提出利用各地区的POIs来建模地区功能相似性。同时，该模型能将感受野扩展到全局，且得益于位置编码（Positional Embedding）和自注意力（Self-Attention）机制，使得该模型具有并行处理时间序列的能力。该模型在纽约市真实出租车需求量数据集上进行的实验证明了其具有较高的预测精确度，以及较高的预测时间效率，对优化城市公共出行效率具有较高的可实用性和现实价值。