Fotografi av Zhongjun Ni

Zhongjun Ni

Doktorand

Fokus på digitalisering av historiska byggnader för att uppnå energioptimering och smart underhåll genom att integrera avancerad informations- och kommunikationsteknik, såsom Internet of Things (IoT), Edge/Cloud Computing och maskininlärning.

Presentation

Zhongjun Ni är för närvarande doktorand i elektroteknik med inriktning kommunikationselektronik. Hans forskningsintressen inkluderar tidsserieanalys, digitala tvillingar och IoT-lösningar baserade på Edge-Cloud-datorer.

Zhongjun Ni tog sin licentiatexamen från Linköpings universitet 2023, samt sin master- och kandidatexamen från Zhejiang University, Kina, 2017 respektive 2014. Hans masterprojekt var att designa ett trådlöst mät- och kontrollsystem specifikt för jordbruk.

2017 gick Zhongjun till Baidu som mjukvaruingenjör, där arbetade han som C++-programmerare för att utveckla ett robust runtime-ramverk, nämligen Apollo RT, för autonom körning. Tack vare sin prestation belönades han med bästa nykomling i hela affärsgruppen. Efter att projektet lyckats leverera lämnade han Baidu och började arbeta för Microsoft för att söka nya utmaningar. På Microsoft arbetade han för att förbättra automatiseringshastigheten för utbyggnaden av Azures datacenternätverksinfrastruktur och säkerställa tillförlitligheten hos Azure-nätverksinfrastrukturen.

2020 började Zhongjun som doktorand i professor Shaofang Gong grupp vid Institutionen för teknik och naturvetenskap. I sina doktorandstudier undersöker han digitaliseringslösningar för energioptimering och smart underhåll av historiska byggnader. Han undervisar också i grundkurser vid civilingenjörsprogrammet i Elektronikdesign.

Utanför sin forskning har Zhongjun deltagit i flera programmeringshackathon där han mestadels löst NP-hårda kombinatoriska optimeringsproblem. Till exempel vann han förstaplatsen på Huawei Sweden Hackathon 2023 och tilldelades tillsammans med sitt team ett kontantpris på 6 000 Euro.

Publikationer

2024

Chi Zhang, Zhongjun Ni, Christian Berger (2024) Spatial-Temporal-Spectral LSTM: A Transferable Model for Pedestrian Trajectory Prediction IEEE Transactions on Intelligent Vehicles, Vol. 9, s. 2836-2849 Vidare till DOI
Zhongjun Ni, Chi Zhang, Magnus Karlsson, Shaofang Gong (2024) Edge-based Parametric Digital Twins for Intelligent Building Indoor Climate Modeling 2024 IEEE 20th International Conference on Factory Communication Systems (WFCS) Vidare till DOI
Zhongjun Ni, Chi Zhang, Magnus Karlsson, Shaofang Gong (2024) A study of deep learning-based multi-horizon building energy forecasting Energy and Buildings, Vol. 303, Artikel 113810 Vidare till DOI

2023

Zhongjun Ni, Chi Zhang, Magnus Karlsson, Shaofang Gong (2023) Leveraging Deep Learning and Digital Twins to Improve Energy Performance of Buildings 2023 IEEE 3rd International Conference on Industrial Electronics for Sustainable Energy Systems (IESES) Vidare till DOI
Chi Zhang, Amir Hossein Kalantari, Yue Yang, Zhongjun Ni, Gustav Markkula, Natasha Merat, Christian Berger (2023) Cross or Wait? Predicting Pedestrian Interaction Outcomes at Unsignalized Crossings 2023 IEEE INTELLIGENT VEHICLES SYMPOSIUM, IV Vidare till DOI

Undervisning

Organisation