【学术报告】“机器学习+优化”在交通研究中的应用：克服无测试数据的挑战（王帅安-香港理工大学）

【主讲人简介】：王帅安，现任香港理工大学工商管理学院教授、清华大学卓越访问教授。本科毕业于清华大学；硕士毕业于清华大学、德国亚琛工业大学；博士毕业于新加坡国立大学。博士毕业后先后在澳大利亚、美国、香港特区高校任教。主要研究领域包括机器学习、数据驱动的优化、港航运作管理、绿色航运、航运大数据。在Transportation Research Part A/B/C/D/E、Transportation Science、Management Science、Operations Research等期刊发表论文300篇。连续六年被斯坦福大学评为交通物流领域终身科学影响力世界前2%的学者（2020–2025）。担任国际期刊Transportation Research Part E (SCIE/SSCI)共同主编、Cleaner Logistics and Supply Chain (ESCI)主编、Flexible Services and Manufacturing Journal (SCIE)领域主编、Transportation Research Part B (SCIE/SSCI)、Transportation Letters (SCIE/SSCI)、Transportation Research Record (SCIE)副主编；是Communications in Transportation Research (SCIE/SSCI)创刊主编之一。他指导毕业的博士生在清华大学、上海交通大学、四川大学、上海大学、香港理工大学、新加坡南洋理工大学等国内外高校任教。

【内容简介】：在一些“机器学习+优化”的交通研究问题中，我们无法通过将历史数据划分成训练数据集和测试数据集的方法客观评估一个方法的性能。例如，在船舶气象导航中，我们首先根据天气、航速预测船舶的油耗，然后据此油耗预测函数优化不同时间段（对应不同天气）的航速。然而，测试集数据中只有不同时间段曾经采用的航速下的油耗，而没有不同时间段根据“机器学习+优化”方法计算出的航速下的油耗，因而无法仅根据历史数据来严格论证采用“机器学习+优化”方法会节省油耗。类似问题在经济学中被称为“因果推断的根本问题（fundamental problem of causal analysis）”，这里我们称该问题为“机器学习+优化的根本挑战（fundamental challenge of prescriptive analytics）”。本报告将介绍完全克服或者部分克服该根本挑战的三种方法：获取全部数据、构造可测试的测试集、利用人工生成的数据。这三种方法适用于不同类型的问题。

【讲座时间】：2026年5月21日（星期四）上午9:45

【讲座地点】：线上腾讯会议633-392-020