职 称

特别副研究员/预聘助理教授

□博导 ☑ 硕导

公司及专业

12BET 工业工程专业

办公地址

中关村校区第一教学楼344A

邮 编

100081

邮 件

xliu826@bit.edu.cn

个人简介及研究领域

个人简介：

刘欣，男，12BET预聘助理教授，特别副研究员。2016年本科毕业于12BET工业工程专业，2015-2016年于德国卡尔斯鲁厄理工学院机械工程访学交流，2021年于香港城市大学数据科学公司直博获得博士学位。

从事数据科学及智能优化算法在生产制造、物流系统、以及可再生能源等方面的研究。近五年发表论文19篇，其中以第一/通讯作者身份在top期刊发表论文7篇。目前主持国家自然科学基金青年基金1项、入选《博士后国际交流计划（引进）项目》、主持12BET青年教师学术启动计划1项，并参与装备预研、技术基础科研等多个国家级/省部级项目。为IEEE Transactions on Sustainable Energy，Journal of Intelligent Manufacturing，Sustainable Energy, Grids and Networks等期刊长期审稿。

主讲及参与讲授的课程包括：工业工程本科专业选修课《智能制造系统》、智能制造工程本科专业核心课《制造系统感知分析与决策》、研究生课程《工程管理》等。

研究方向：

主要研究方向为工业智能，涉及工业装备及系统的建模、预测及优化研究，具体包括：

- 工业系统预测性建模：设备及环境参数的时序预测、缺失数据修复、时空超分辨率等；

- 系统设计与运行优化：基于强化学习及启发式的布局优化、系统运行调度、集群协同控制等优化问题；

- 数字孪生与设备健康：设备状态监测、故障诊断及剩余寿命预测等PHM问题。

研究领域：

智能优化、预测性建模、智能制造、可再生能源。

欢迎具有工业工程/机械工程/计算机科学/自动化/数学等背景的同学报考。

代表性论文

代表论文：

[1] Liu X, Zhang Z*, Song Z. A comparative study of the data-driven day-ahead hourly provincial load forecasting methods: From classical data mining to deep learning[J]. Renewable and Sustainable Energy Reviews, 2020, 119: 109632. (影响因子16.3)

[2] Liu X, Yang L, Zhang Z*. The attention-assisted ordinary differential equation networks for short-term probabilistic wind power predictions[J], 2022, Applied Energy, 324: 119749 （影响因子10.1）

[3] Liu X, Cao Z, Zhang Z*. Short-term predictions of multiple wind turbine power outputs based on deep neural networks with transfer learning[J]. Energy, 2021, 217: 119356. （影响因子9.0）

[4] Liu X, Yang L, Zhang Z*. Short-Term Multi-Step Ahead Wind Power Predictions Based On A Novel Deep Convolutional Recurrent Network Method[J]. IEEE Transactions on Sustainable Energy, 2021, 12(3): 1820-1833. （影响因子8.6）

[5] Liu X, Yu J, Gong L*, Liu M, Xiang X, A GCN-based adaptive generative adversarial network model for short-term wind speed scenario prediction[J], Energy, 294(4):130931. （影响因子9.0）

[6] Gong L, Huang Z, Xiang X, Liu X*, Real-time AGV scheduling optimisation method with deep reinforcement learning for energy-efficiency in the container terminal yard[J], International Journal of Production Research, 2024, 1–21. https://doi.org/10.1080/00207543.2024.2325583. （影响因子7.0）

[7] Liu X, Zhang Z*. A two-stage deep autoencoder-based missing data imputation method for wind farm SCADA data[J]. IEEE Sensors Journal, 2021, 21(9): 10933-10945. （影响因子4.3）