盛子聿，南京信息工程大学计算机学院、软件学院副教授，现任计算机科学与技术系副主任。博士于2025年11月毕业于悉尼科技大学（University of Technology Sydney)澳大利亚人工智能研究所（Australian Artificial Intelligence Institute，AAII）。主要从事神经网络、时间序列预测、径流预测、智能电网等方向的研究。近五年在IEEE TPAMI、IEEE TNNLS、IEEE IOT等顶级期刊和会议发表学术论文十余篇，谷歌学术累计引用400余次，并长期担任TNNLS、TPWRS、KBS、ESWA等多个国际会议期刊审稿人。主持和参与多项国家自然科学基金项目，曾获2021年国家留基委CSC公派博士奖学金、2025年度中国国际大学生创新大赛国际赛道国赛铜奖（项目负责人，排名第一）。

预计2027年招收硕士研究生，欢迎对深度学习、时序预测（异常检测）、智能电网、智慧气象等方向感兴趣，具有较强编程能力和英文写作能力的同学加入团队，可发送简历至ziyusheng@nuist.edu.cn与我联系。

个人谷歌学术主页：

https://scholar.google.com/citations?user=Gtn1cOsAAAAJ&hl=en&oi=ao

项目情况:

1. 国家自然科学基金，青年项目，2027.01-2029.12，30万，主持

2. 江苏省教育强省建设专项资金，引进人才科研启动经费，2026.03-2029.03，20万，主持

3. 国家建设高水平大学公派研究生项目，与澳大利亚悉尼科技大学合作奖学金，2021.12-2025.12，主持

4. FinTech Fusion: Developing GPT-Driven Intelligent Financial System, 与澳大利亚金融企业合作横向，400万，2023.06-2026.09，主研

5. 基于神经网络的智能交通事故预测模型，Qatar National Research Fund under Grant NPRP 8-274-2-107，主研（与卡塔尔政府交通部门合作研发，已完成实际项目落地）

近五年部分代表成果：

[1] Sheng, Z., Cao, Y., Yang, Y., Feng, Z. K., Shi, K., Huang, T., & Wen, S. (2024). Residual temporal convolutional network with dual attention mechanism for multilead-time interpretable runoff forecasting. IEEE Transactions on Neural Networks and Learning Systems, 36(5), 8757-8771.（中科院一区Top期刊，三高期刊库T1，IF=10.4）

[2] Sheng, Z., Wen, S., Feng, Z. K., Shi, K., & Huang, T. (2023). A novel residual gated recurrent unit framework for runoff forecasting. IEEE Internet of Things Journal, 10(14), 12736-12748.（中科院一区Top期刊，三高期刊库T1，IF=10.6）

[3] Sheng, Z., An, Z., Wang, H., Chen, G., & Tian, K. (2023). Residual LSTM based short-term load forecasting. Applied Soft Computing, 144, 110461.（中科院一区Top期刊，三高期刊库T1，IF=8.7）

[4] Sheng, Z., Cao, Y., Yang, Y., & Wen, S. (2027). Residual bidirectional gated recurrent unit with spatiotemporal shortcuts and dual-path attention for robust interpretable runoff forecasting. Neural Networks, 205, 109416. （中科院二区Top期刊，JCR-Q1期刊，IF=7.2）

[5] Sheng, Z., Wen, S., Feng, Z. K., Gong, J., Shi, K., Guo, Z., Yang, Y., & Huang, T. (2023). A survey on data-driven runoff forecasting models based on neural networks. IEEE Transactions on Emerging Topics in Computational Intelligence, 7(4), 1083-1097. （中科院二区，JCR-Q1期刊，IF=6.0）

[6] Sheng, Z., Wang, H., Chen, G., Zhou, B., & Sun, J. (2021). Convolutional residual network to short-term load forecasting. Applied Intelligence, 51(4), 2485-2499. （中科院二区，JCR-Q1期刊，IF=5.3）

[7] Sheng, Z., Wen, S., Feng, Z. K., & Shi, K. (2026). ResBi-Mamba Plus: Deep bidirectional Mamba with spatiotemporal attention for robust interpretable hourly runoff forecasting. IEEE Artificial Intelligence Science and Engineering, 2(2), 165-180.

[8] Cao, Y., Sheng, Z., Zhu, H., Huang, T., & Wen, S. (2025). Prostate cancer forecasting in small samples based on lightweight neural networks using ensemble learning. Knowledge-Based Systems, 114383. （中科院一区Top期刊，JCR-Q1期刊，IF=8.0）

[9] Zhang, C., Sheng, Z., Zhang, C., & Wen, S. (2024). Multi-lead-time short-term runoff forecasting based on ensemble attention temporal convolutional network. Expert Systems with Applications, 243, 122935. （中科院一区Top期刊，JCR-Q1期刊，IF=8.5）

[10] Wang, H., Liu, T., Sheng, Z., & Li, H. (2024). Explanatory subgraph attacks against graph neural networks. Neural Networks, 172, 106097. （中科院二区Top期刊，JCR-Q1期刊，IF=7.2）