洪锋 (Feng Hong)

信息科学与工程学部

中国海洋大学

Email: hongfeng at ouc dot edu dot cn

Office: 青岛市黄岛区三沙路1299号信息南楼A511室

基本信息

洪锋，教授、博导、博士，国际计算机学会中国应用计算委员会秘书长、CCF分布式计算与系统专委会执行委员、国际学术期刊Sensors主题编委、IEEE 1851、2735国际标准工作组成员；长期从事物联网智能感知和轨迹大数据挖掘研究。先后主持国家自然科学基金面上项目2项、青年项目1项；并参与国家重点研发计划、973计划、863计划等10余项国家级课题研究。在包括ACM Computing Survey、Ocean Engineering、Ubicomp、CHI、INFOCOM、Sensys、等国际学术期刊和国际会议发表学术论文80余篇。

教育及工作经历

教育经历：
2001/09－2006/06，上海交通大学，计算机应用技术，博士
1996/09－2000/06，中国海洋大学，计算机科学与技术，学士
2017/09 - 2017/11，德国德累斯顿工业大学，访问学者
2016/07－2016/08，美国加州大学洛杉矶分校，访问学者
2010/09－2010/11，德国慕尼黑工业大学，访问学者
工作经历：
2016/7－今中国海洋大学，讲师、副教授、教授
2000/09-2001/08 中国海洋大学，科员

研究项目

2020.01-2023.12, 国家自然科学基金面上项目，船位监控系统大数据驱动的海洋捕捞强度分布预测研究（41976185），位次1
2017.01-2020.06，青岛海洋科学与技术试点国家实验室开放基金项目, “融合渔业船舶轨迹和遥感图像大数据的海洋渔业资源时空演化规律建模与应用”（QNLM20160RP0405)，位次2
2014.01-2017.12, 国家自然科学基金面上项目，“基于移动建模的水下传感器网络时间同步理论与算法研究”(#61379128)，位次1
2010.01-2013.12，国家自然科学基金重点项目，“移动容迟网络理论与关键技术研究”(#60933011)，主要成员
2010.01-2012.12，青岛市科技发展计划项目，“水下观测仪器组网通信设备研究”(#2010-3-4-1-6-jch)，位次1
2008.01-2010.12，国家自然科学基金青年基金项目，“基于信誉策略的拓扑自适应的对等网络激励机制研究”(#60703082)，位次1
2007.09-2010.12，973项目“无线传感网络的基础理论及关键技术研究”(#2006CB303000)的子课题“海洋传感器监测网络”(OceanSense)，主要成员
2007.01-2008.12，863项目，“基于网格的海洋环境数据信息共享与信息服务技术的研究”(#2006AA09Z139)，主要成员
2006.11-2008.11，863项目，“水下传感器网络组网协议关键技术研究”(#2006AA09Z113)，主要成员
2004.01－2006.06, 国家自然科学基金重点项目，“对等计算及广域网虚拟平台”(＃60343040)，主要成员

授课

学术论文

请参见: ResearchGate, Google Scholar

标准、专利、获奖

标准

国际标准，1851-2012 - IEEE Standard for Design Criteria of Integrated Sensor-Based Test Applications for Household Appliances，2012
国际标准，2402-2017 - IEEE Standard Design Criteria of Complex Virtual Instruments for Ocean Observation，2017
国际标准，2735-2022 - IEEE Standard for Interoperability of Complex Virtual Instruments for Internet of Things，2022
国际标准，1851-2023 - IEEE Standard for Design Criteria of Integrated Sensor-Based Test Applications for Household Appliances，2023
中国标准，基于传感器的产品检测软件集成接口规范，GB/T 33137-2016，中华人民共和国国家质量监督检验检疫总局，2016.10.13

专利

国家发明专利：基于捕捞时序关系的短时捕捞努力量分布预测方法；专利号：ZL 2021 1 0627654.7；第一位
国家发明专利：复用基站蜂窝信号的用户识别和计数方法；专利号：ZL 2020 1 0598922.2；第一位
国家发明专利：基于触摸行为的智能手机使用情境识别方法；专利号：ZL 2020 1 0938901.0；第一位
国家发明专利：一种基于内嵌三位加速计的手持设备的身份认证方法，专利号：ZL 2015 1 0153477.8；第一位
国家发明专利：基于智能手机的室内行人定位与跟踪方法，专利号：ZL 2014 1 0438531.0；第一位

获奖

山东省第九届教学成果奖（高等教育类）一等奖，2022

科研成果示例

智能感知相关研究

基于耳机逆向声传播的逐颗牙齿的刷牙计时辅助工具

基于耳机逆向声传播的逐颗牙齿的刷牙计时辅助工具

应用场景演示视频

基于触摸行为的智能手机使用情境识别

基于触摸行为的智能手机使用情境识别

应用场景演示视频

基于内嵌三位加速计的手持设备的身份认证

基于内嵌三位加速计的手持设备的身份认证演示视频

应用场景演示视频

基于内嵌三位加速计的手持设备的身份认证原理视频

认证原理和效果视频

复用基站蜂窝信号的智能感知技术

复用基站蜂窝信号的用户识别和计数

复用基站蜂窝信号的人员进出识别和计数

复用基站蜂窝信号的健身动作识别和计数

复用基站蜂窝信号的健身动作识别和计数

海洋物联网系统OceanSense部署实践

海洋物联网系统OceanSense部署实践

海洋轨迹大数据相关研究

FVRD：基于渔船轨迹的渔船关系发现系统

瑞安市渔业船舶关系网络。(1-刺网;2-双拖; 3-捕虾; 4-单拖; 5-运输; 6-张网)

本研究中，我们提出了一个渔船关系发现系统（FVRD）。FVRD计算渔船之间的相互作用时间，然后将其用作权重生成关系网络。
图示可以发现同种作业类型的渔业船舶能够被分为同一类，其连接较为紧密，不同作业类型的渔业船舶也能够较好的区分开，这证明FVRD模型能够较好的识别渔业船舶间的关系网络。

Huang, Haiguang; Cui, Xiaojun*; Bi, Xiaoming; Liu, Chao; Hong, Feng*; Guo, Shuai; FVRD: Fishing Vessels Relationships Discovery System Through Vessel Trajectory, IEEE Access, 2020, 8：112530-112538. SCIE.

基于LSTM的拖网渔船VMS轨迹插值

LSTM模型与CHS方法在捕捞轨迹段上的补全效果示例

LSTM与CHS在捕捞轨迹段上的补全效果示例

本文提出一种混合插值方案，将LSTM和CHS相结合进行缺失样本插入。在对传统轨迹插值方法cHs的效果进行评估的基础上，本研究设计基于LSTM的轨迹插值模型用于渔业船舶轨迹补全。
图示可以发现LSTM模型在轨迹段转弯处的补全效果明显优于CHS方法的补全结果。

Zhao, Zhongning; Tian, Ying; Hong, Feng*; Huang, Haiguang; Zhou, Shutian; Trawler Fishing Track Interpolation using LSTM for Satellite-based VMS Traces, IEEE/MTS OCEANS 2020, Singapore, 2020-10-5至2020-10-14. EI.

基于Bi-LSTM的海上船舶网络轨迹数据传递算法

Bi-LSTM模型未来轨迹预测随时间增加的误差分布图

本研究中，我们通过双向长短时记忆（Bi-LSTM）模型开发了一种准确的长期轨迹预测模型。基于预测的轨迹，我们提出了一种基于预测结果的数据传输算法，以实现高效的通信性能。
图示为在采样率为3分钟情况下，东海拖网渔船未来一小时的轨迹点绝对误差分布。Bi-LSTM预测模型在1小时以内的误差均小于600米，达到了较高的预测精度。

Liu, Chao; Li, Yingbin; Jiang, Ruobing*; Lu, Qian; Guo, Zhongwen; Trajectory-Based Data Delivery Algorithm in Maritime Vessel Networks Based on Bi-LSTM, 15th International Conference on Wireless Algorithms, Systems, and Applications, WASA 2020, Qingdao, China, 2020-9-13至2020-9-15. EI.

基于VMS和拖网渔船捕捞时序的捕捞努力分布短期预测

预测捕鱼努力分布

本研究提出一种通过挖掘一种新的知识类型——拖网渔船捕捞时序关系，来进行捕捞努力分布短期预测的系统。基于捕捞时序关系，我们设计了一个卷积神经网络（CNN），以预测短期捕鱼努力的分布。
本研究提出的基于捕捞船舶关系的捕捞强度预测模型实现了空间分辨率为0.25° *0.25°，预测未来一周的周级别的捕捞强度分布预测，预测平均误差仅为6.95%。

Zhao Zhongning; Hong Feng*; Huang Haiguang; Liu Chao; Feng Yuan; Guo Zhongwen; Short-term prediction of fishing effort distributions by discovering fishing chronology among trawlers based on VMS dataset, Expert Systems with Applications, 2021, 184(115512). SCIE, EI.

HIT：基于深度学习的拖网渔船混合插值方法

HIT与CHS插值结果比较

本研究提出了一种名为“拖网渔船混合插值模型（Hybrid Interpolation for Trawlers，简称HIT）”的插值模型。HIT基于boost learning设计，包括单层深度神经网络（1-DNN）和长短期记忆（LSTM）神经网络。1-DNN 提供航行状态下轨迹的插值，而 LSTM 则细化捕捞状态下的插值。
图示可以发现对于转弯行为，cHs只能根据速度和航向变化给出平滑的曲线。然而HIT可以学习历史的捕鱼行为模式，给出更精确的插值。

Guanlong Teng; Zhongning Zhao; Feng Hong*; Bin Wang; Haiguang Huang; HIT: Hybrid Interpolation for Trawlers based on Deep Learning, OCEANS 2021 San Diego - Porto, 2021-9-20至2021-9-23. EI.

轨迹大数据驱动的网络特征提取和数据传输仿真器

渔业船舶轨迹大数据仿真器框架

本研究中，我们提出了一个基于轨迹大数据的网络模拟器，具有大规模网络、特征提取和数据传输的交互式可视化功能。我们的模拟器包括数据预处理、网络特征提取、行为仿真三个核心模块。

Xiaohui Wang; Ruobing Jiang*; He Zhang; Chao Liu; Feng Hong; A Simulator Driven by Trajectory Big Data for Network Feature Extraction and Data Transmission, 2022 IEEE International Conference on Mobile Ad-hoc and Sensor Systems, Denver, Colorado, 2022-10-20至2022-10-22. EI.

VDU：基于多源数据融合的拖网渔船VMS数据上采样

VDU与不同模型插值结果比较

本文提出了一种基于多源数据融合的拖网渔船VMS数据集上采样（VDU）方法，该方法整合了额外的海洋环境因素（MEF），以帮助模型捕捉运动特征。

Jiaxuan Chen; Zhongning Zhao; Feng Hong*; Haiguang Huang; VDU: VMS Dataset Upsampling via Multi-Source Data Fusion for Trawlers, OCEANS 2023 – Limerick, 2023-06-05至2023-06-08. EI

HiTrip：利用深度学习基于多源数据的拖网渔船历史轨迹插值

渔船轨迹上两端点间的插值轨迹结果（2小时采样周期）

渔船轨迹上两端点间的插值轨迹结果（2小时采样周期）

本研究中，我们介绍一种深度学习方法：HiTrip。HiTrip利用VMS和海洋水文数据将VMS数据采样间隔从两小时变为三分钟。
HiTrip的高精度插值来源于所设计的深度学习网络有效综合了多种数据源（粗粒度捕捞强度、SSH、SSS和SST等）的时空特性。

Zhongning Zhao; Jiaxuan Chen; Yuqi Shi; Feng Hong*; Guiyuan Jiang; Haiguang Huang; Jinhua Zhao; HiTrip: Historical trajectory interpolation for trawlers via deep learning on multi-source data, Ocean Engineering, 2024, 292(116588). SCIE, EI.

HyFish：基于VMS和融合水文要素的捕捞努力分布预测

捕捞努力量分布序列预测每周平均预测误差对比

捕捞努力量分布序列预测每周平均预测误差对比

在定量化分析海洋水文要素场序列对捕捞努力量分布序列的影响的前提下，本研究提出融合海洋水文要素场的海洋捕捞努力量分布预测模型HyFish。
图示为将HyFish在整个预测期内的每周预测结果的平均RMSE值与现有典型工作进行对比。HyFish在测试期内的所有周均取得最低的平均RMSE，证明HyFish在预测精度上优于已有工作。

Yuqi Shi, Feng Hong*, Zhongning Zhao, Yufei Jiang, Shutian Zhou and Haiguang Huang. HyFish: Hydrological Factor Fusion for Prediction of Fishing Effort Distribution with VMS dataset. Frontiers of Marine Science.

海洋大数据相关研究

基于时序卷积网络和物联网的长时间跨度，大范围，高精度印度洋海表温度预测

2015年6月份海表面高度TCN预测结果（70°E-90°E，0°-10°S）

本研究中，我们基于物联网技术和时间卷积网络（TCN），对2014年至2018年印度洋的月平均海表温度进行了预测。研究发现，TCN可以准确预测长期海表温度（SST），为研究大规模海洋物理现象提供了基础。

Tianying Sun; Yuan Feng; Chen Li; Xingzhi Zhang; High Precision Sea Surface Temperature Prediction of Long Period and Large Area in the Indian Ocean Based on the Temporal Convolutional Network and Internet of Things, Sensors, 2022, 22(4): 1636. SCIE, EI.

基于convLSTM的长期印度洋偶极子（IOD）指数预测

2015年convLSTM模型和CFSv2模型的预测IOD指数曲线对比

在本文中，使用卷积长短时记忆（convLSTM）神经网络构建深度学习模型，用于预测未来七个月的海表温度并计算IOD指数。

Chen Li; Tianying Sun; Yuan Feng; Xingzhi Zhang; Long Term Indian Ocean Dipole (IOD) Index Predication Used Deep Learning by convLSTM, Remote Sensing, 2022, 14(3): 523. SCIE, EI.

招生要求

我们的团队主要面向物联网智能感知、轨迹大数据挖掘展开研究。招生要求：
1、对智能感知或轨迹大数据挖掘有强烈研究兴趣；
2、有良好的数学基础（高等数学、线性代数、概率论）；
3、具备信号分析、通信原理相关的基本知识或数据统计、机器学习、深度学习基础知识；
4、具有Android、Python或Matlab开发经验和动手能力。
*同时欢迎未来想从事科研工作的本科生加入团队。
*请邮件联系我（hongfeng at ouc dot edu dot cn），邮件通常会在24小时内回复。

研究生风采

Graduated Students

2013 Shujuan You

2013 Meiyu Wei

2014 Yanni Yang

2014 Xiang Wang

2014 Yuan zong

2015 Liang Zhang

2015 Qingxin Xia

2015 Yong Zhen

2016 Yankai Dong

2016 Zexin Wu

2016 Xurong Yan

2016 Lingyun Wang

2017 QihangBing

2017 Yue Xu

2017 Ying Tian

2018 Jianbo Qi

2018 Minghan Jiang

2018 Zhaoran Huo

2019 Guanlong Teng

2019 Jiao Liu

2020 Chenyang Ji

2020 Xueting Jiang

2020 Jingrui Tian

2020 Yang Wang

2017 Zhongning Zhao

2020 Jiawen Liu

2021 Rui Wang

2021 Rui Zhang

2021 Yuqi Shi

2021 Zhiyuan Li

2021 Jiaxuan Chen

Current Students

2022 Yufei Jiang

2022 Wei Xiang

2022 Chenyu Bao

2022 Fangming Tian

2022 Guitong Yang

2022 Hao Zhu

2022 Linkai Nie

2022 Siyuan Lin

2023 Qingbin Li

2023 Rui Zhang

2023 Wenbin Liu

2023 Xuanli Li

2024 Jian Zhuang

2024 Yuanqi Gao

2024 Tiantian He

2024 Qiance Zang

2024 Tianyi Zhang

2024 Jiangtao Zhao

Ph.Ds:

Graduate in 2010-Ying Guo

Graduate in 2011-Lu Hong and Zhengbao Li

Postgraduates:

Graduate in 2011-Zongke Jin,Tijiang Shan, Duan Huang

Graduate in 2012-Xiqing Zhang, Chunlei Guo

Graduate in 2013-Hongwei Chu, XiuYan Zhu, Lijian Wang, Yan Hou

Graduate in 2014-Bozhen Yang, Yongtuo Zhang

Graduate in 2015-Yuliang Zhang

Graduate in 2016-Shujuan You, Meiyu Wei

Graduate in 2017-Yanni Yang, Yuan Zong, QianQian Zhou, Xiang Wang, and Fei Liu

Graduate in 2018-Liang Zhang, Qingxin Xia, Yong Zhen

Graduate in 2019-Lingyun Wang, Zexin Wu, Yankai Dong, Xurong Yan

Graduation photos

1/6
2013 2/6
2015 3/6
2017 4/6
2018 5/6
2019 6/6
2022 6/6
2023 6/6

Activities

2016-09-01 6/9
2018-04-30 6/9
2018-08-01 6/9
2018-12-19 6/9
2018-10-10 6/9
2018-13-19 6/9
2019-4-30 7/9
2019-5-25 8/9
2019-06-30 9/9