软件学院(人工智能学院)时空智能研究方向成果展示——许明老师

许明，男，1980年生，北京邮电大学计算机科学与技术专业博士，清华大学博士后，现任副教授（2020年入职）。

长期从事时空AI、图学习与智能交通等方向的研究，在IEEE TITS、RAL、IPM等国际重要期刊发表多项成果。曾荣获2020年世界人工智能大会青年优秀论文奖，相关研究受到《麻省理工科技评论》（MIT Technology Review）等国际权威科技媒体专题报道。团队聚焦时空智能前沿方向，面向真实城市复杂系统，致力于探索兼具理论创新与工程价值的新一代AI领域应用研究。

代表性成果：

[1] Xu M, Wu J, Liu M, et al. Discovery of Critical Nodes in Road Networks through Mining from Vehicle Trajectories，发表于IEEE Transactions on Intelligent Transportation Systems（智能交通领域顶刊，中科院一区Top期刊，CCF B， 2025年影响因子/JCR分区分别为8.4/Q1）

[2] Xu M, Wu J, Wang H, et al. Anomaly Detection in Road Networks using Sliding-Window Tensor Factorization，发表于IEEE Transactions on Intelligent Transportation Systems（智能交通领域顶刊，中科院一区Top期刊，CCF B，2025年影响因子/JCR分区分别为8.4/Q1）

该研究揭示了城市路网中不同类型异常事件会在不同时空尺度上扰动交通流演化，使其偏离既有模式。基于这一发现，提出基于滑动窗口张量分解的多类异常检测一体化方法，可对路网瓶颈、局部交通事故及大范围群体事件进行联合实时检测。进一步结合线性规划方法，挖掘其关联的OD需求，实现异常事件的溯源分析。

[3] Xu M, Xiang J, Xie Z, et al. Learning to rank critical road segments via heterogeneous graphs with origin-destination flow integration. 发表于Information Processing & Management. （信息检索与数据挖掘领域顶刊，中科院一区Top，CCF B，2025年影响因子/JCR分区分别为6.9/Q1）

该研究提出多异质图联合随机游走的路网表示学习方法，将交通功能结构嵌入路段表征，实现对长程空间依赖的有效刻画，并进一步构建排序学习框架以识别关键节点。其理论贡献主要体现在：1）实证表明相较于物理拓扑结构，功能结构在刻画路网空间依赖方面具有更强解释力，揭示了传统拓扑度量在网络分析方面的局限；2）提出路网异质图排序学习范式，将OD流与路径等关键要素统一纳入任务驱动的图学习框架；3）将网络“重要性”刻画为由OD需求与路径结构共同塑造的情境依赖属性，突破了静态中心性度量的传统定义。

[4] Xu M, Xie Z. Hierarchical Spatial Proximity Reasoning for Vision-and-Language Navigation. 发表于IEEE Robotics and Automation Letters. （机器人领域顶刊，中科院二区Top，2025年的影响因子/JCR分区分别为5.3/Q1）

针对视觉语言导航中视觉常识缺失导致推理能力受限的问题，本文提出层次化空间邻近推理方法。通过引入场景理解辅助任务构建层次化空间邻近知识库，并进一步设计多步推理导航算法，实现基于持续路径规划的高效探索，同时结合残差融合机制提升导航决策的准确性。

[5] Xu M, Zhang J. MGL2Rank: Learning to rank the importance of nodes in road networks based on multi-graph fusion发表于Information Sciences. （中科院一区Top，2025年的影响因子/JCR分区分别为6.8/Q1）

针对现有随机游走图学习方法在融合节点属性信息方面的不足，本研究提出多图融合方法，通过在原图与衍生属性图上进行联合随机游走，生成属性上下文丰富的节点序列，从而获得增强的节点表示。实验结果表明，该方法在真实城市路网节点排序任务中具有良好效果。