王晓康

博士 、副教授

基本信息

办公电话： 电子邮件： xkwang1@bjtu.edu.cn
通讯地址：北京交通大学科技大厦 邮编：100044

招生信息

王晓康，现任北京交通大学自动化与智能学院副教授、博士生导师，工作于曹源教授团队。2022年博士毕业于北京航空航天大学经济与管理学院，统计学专业，师从王惠文教授。研究方向为时间序列分析，具体包括：

1. 时间序列分析基础理论：函数型数据、状态空间模型、神经算子、黎曼流形等核心理论方法，构建时序分析的数学基础。

2. 时间序列典型任务：面向时间序列分类、异常检测、缺失填补与预测等核心任务，探索深度学习建模方法，在追求高精度的同时，还关注其时效性，鲁棒性，可解释性，以及自动化。

3. 领域时序数据挖掘：铁路智能运维、国防领域故障诊断、金融量化投资、风险管理等重要领域时序数据的挖掘与预测研究。


现招收 2027年9月 入学的 保研 学生（硕士与直博均可）。欢迎有意愿从事深度学习算法研究、有能力产出 CCF-A类 论文的同学报考。


邮箱：xkwang1@bjtu.edu.cn

教育背景

2009-2013，加拿大多伦多大学，工程学院（Faculty of Applied Science & Engineering），工程科学（Engineering Science）专业，工程数学、统计与金融方向。工学学士

2013-2016，瑞士洛桑联邦理工学院（EPFL），瑞士金融研究院（Swiss Finance Institute），金融工程专业。理学硕士

2019-2022，北京航空航天大学，经济管理学院，统计学专业，博士

工作经历

2016-2018，天风证券股份有限公司，并购融资部，项目经理。参与A股上市公司IPO，重大资产重组，股权收购，跨境并购等多个项目。通过CFA三级。

2022-2025，北京邮电大学，经济管理学院，讲师、副教授。 

招生专业

  • 交通信息工程及控制硕士
  • 控制工程硕士
  • 人工智能硕士
  • 低空技术与工程硕士
  • 智能科学与技术博士
  • 人工智能博士

科研项目

  • 国家自然科学基金“联合基金项目”: 运营铁路线路基础设施数字建模方法及关键技术研究, 2026-2029
  • 自然科学类人才基金项目: 铁路线路基础设施故障预测与智能运维关键技术研究, 2025-2028
  • 因果网络视角下基于高频函数型时间序列的证券收益率预测与应用研究
  • 红果园(横): 国产化边缘侧智能推理设备研制合同, 2025-2030
  • 教育部人文社科“青年项目”: 函数型数据下融合因果关系的证券市场风险溢价预测研究, 2024-2026

教学工作

讲授研究生课程：先进控制系统及应用

讲授本科生课程：工程导论与创新实践

论文/期刊

代表性论文：

[1] Yin, Z., He, Y., Qin, X., Ren, J., Fu, S. and Wang, Xiaokang*. Causal-DFM: Diffusion-Based Causal-Invariant Dynamic Factor Model for Stock Return Prediction[C]. In Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD ’26), V.2. New York: ACM, 2026: 6246–6257.

本研究针对牛熊转换、金融危机等市场状态变化导致股票收益预测失效的问题，提出扩散式因果不变动态因子模型。该模型结合条件扩散因子生成与信息瓶颈约束表示学习，抑制环境相关的伪信号，从而提升跨市场状态下的预测稳健性。 

[2] Yuan, J., Li, M., Guo, J., Wang, Xiaokang*, Dong, J., Jia, W. and Wang, Z. Reinforcement Learning-Based Discriminative Feature Selection for Multivariate Time Series Classification[J]. IEEE Transactions on Neural Networks and Learning Systems, 已录用。

本研究面向多变量时间序列分类中“高精度与可解释性难以兼顾”的问题，提出强化学习判别特征选择框架RLDFS。该方法融合区间特征集成、深度强化学习与投票机制，可识别关键时序特征并提高分类性能与结果可解释性。 

[3] Yuan, J., Gao, B., Wang, Xiaokang*, Liu, H. and Zhang, L. Counterfactual Music Recommendation for Mitigating Popularity Bias[J]. IEEE Transactions on Computational Social Systems, 2025, 12(2): 851–861.

本研究针对音乐推荐中过度推荐热门歌曲和热门歌手的流行度偏差问题，构建了用户—歌曲—歌手因果图。通过矩阵分解与反事实推断分别削弱歌曲和歌手的直接流行度影响，使推荐结果更贴合用户真实偏好。 

[4] 王晓康, 李帅戈, 王熠晖, 万岩. 面向异构非欧数据的因果关系发现方法[J]. 系统工程理论与实践, 2024, 44(6): 1987–2002.

本研究针对函数型、成分型等异构非欧数据难以统一开展因果发现的问题，构建了基于坐标映射和多元张量回归的因果模型。进一步提出“正则化广义典型相关分析—贪婪搜索”两阶段方法，可有效识别工业传感器数据中的因果关系。 

[5] Huang, W., Zhao, J. and Wang, Xiaokang*. Model-driven multimodal LSTM-CNN for unbiased structural forecasting of European Union allowances open-high-low-close price[J]. Energy Economics, 2024, 132: 107459.

本研究针对欧盟碳排放配额期货OHLC价格预测易产生结构性偏差的问题，提出模型驱动的多模态LSTM-CNN方法。该方法融合数值时间序列与K线图特征，并通过专门损失函数保证预测结果满足OHLC约束，为碳市场交易和风险管理提供支持。 

[6] Wang, Xiaokang, Lu, S., Zhou, R. and Wang, H. Skeleton estimation of directed acyclic graphs using partial least squares from correlated data[J]. Pattern Recognition, 2023, 139: 109460.

本研究针对观测数据变量高度相关时，有向无环图骨架学习中回归估计不稳定的问题，提出稀疏自适应偏最小二乘两阶段方法。该方法通过邻域选择和条件独立性检验恢复网络骨架，在高维场景下具有更高的识别灵敏度。 

[7] Wang, Xiaokang, Li, C., Shi, H., Wu, C. and Liu, C.* Detection of outlying patterns from sparse and irregularly sampled electronic health records data[J]. Engineering Applications of Artificial Intelligence, 2023, 126: 106788.

本研究针对重症监护电子健康记录采样稀疏且时间不规则、异常模式难识别的问题，提出两阶段函数型异常检测方法。该方法利用极大极小统计量构造清洁样本集，并结合多重检验控制误发现率，可辅助识别具有临床意义的异常生命体征模式。

专著/译著

专利

软件著作权

获奖与荣誉

  • 北京市优秀毕业生（2022）
  • 北京航空航天大学校级优秀博士论文（2023）
  • 北京航空航天大学研究生“十佳”（2022）
  • 博士研究生国家奖学金

社会兼职