2022年11月6日上午，我院特邀国家杰出青年基金获得者、西南财经大学肖峰教授开展线上学术报告，主题为：《Dynamic Auto-structuring Graph Neural Network: A Joint Learning Framework for Origin-Destination Demand Prediction》，讲座主要围绕基于自动结构化图神经网络(DAGNN)的网约车出行需求预测的研究背景、问题定义、基本假设、模型构建、研究方法、真实案例研究等过程展开。来自首都经济贸易大学、北京工业大学、北京信息科技大学、北京交通大学、福州大学、内蒙古财经大学、中国地质大学、中南大学、哈尔滨工业大学、上海海事大学、西南交通大学、中国海洋大学、煤科总院、新加坡管理大学等高校的六十余位学者、学生参加了会议。

　　肖峰教授谈到，在信息技术的高速发展下，越来越多的人们选择个性化、便利化、舒适性较高的叫车服务出行，因此催生出越来越多的网约车服务平台。如何准确预测乘客的出行起讫点、优化出行订单与网约车司机的匹配规则，实现二者的高效匹配，减小网约车司机的空载运营里程以及乘客的等待时间，提高平台的服务水平以及乘客的出行满意度，是提高网约车服务效率的一个重要组成部分。

　　肖峰教授从该问题的研究背景、问题定义，到基本假设、预测模型的构建，再到真实案例研究分析，给参会人员进行了深入浅出的讲解。肖峰教授开发了一种动态图分解和重组层(DGDR)来同时处理图结构和图表示的学习问题。DGDR 的实现包括三个步骤：i)将输入OD图分解成多个边诱导OD子图；ii)嵌入每个子图；iii)更新原始输入OD图。DGDR层的输入是动态OD图。肖峰教授提出了一种称为动态自组织图神经网络(DAGNN)的联合学习框架来解决OD需求预测问题。DAGNN由三个模块组成：i)将POI信息和历史需求观测组合成动态OD图的输入处理模块；ii)用于学习动态需求流模式的时空学习模块；以及iii)预测未来OD需求的预测模块。

　　基于中国成都市和美国纽约市的真实叫车数据集的案例研究结果表明，（1）由DGDR层分解的边诱导OD子图是理解所提出模型的内部工作的关键；（2）DGDR模型分解的子图与OD交通网络的动态流型高度相关；（3）图分解过程在捕获需求流模式方面是有效的，并且对于提高DAGNN的性能是至关重要的。

　　最后，肖峰教授留下一部分时间与参会的老师和同学们进行了交流，非常耐心且认真地回答了有关问题。肖峰教授的学术分享专注于区域级需求预测，将图表征和图构建搭建了一个桥梁，把研究内容扎根于生活实际、结合乘客日常出行需求，研究成果能够真正应用到现实社会中，值得我们认真学习，不断完善提高自己的学术水平。

个人履历：

　　肖峰，工学博士，教授，博士生导师，国家杰出青年基金获得者。现任西南财经大学人工智能与管理科学研究中心主任、大数据研究院副院长。研究方向主要包括人工智能算法与数据挖掘、复杂交通系统建模优化、金融风控与智能投顾、区块链等。在管理科学与工程、交通科技及数据挖掘领域国际期刊和会议如Transportation Science，Transportation Research Part A、B 、C、D，IEEE TKDE、ISTTT等发表论文40余篇。研究团队与香港科技大学，香港理工大学，美国加州大学伯克利分校、戴维斯分校，加拿大多伦多大学，英国利兹大学，清华大学等国内外著名高校保持着密切合作和访学交流关系。