课题组于9月8日上午在线上举办了第十期“李楠研究小组系列学术邀请报告”。本次活动由李楠老师主持，邀请了美国犹他大学土木与环境工程学院的杨险峰博士做了题为《针对智能出行系统的物理正则化机器学习（Physical Regularized Machine Learning for Smart Mobility Systems）》的学术报告。本次报告有本课题组师生及来自清华大学土木系交通所的十余位老师和同学在线参加。
近年来，数据驱动模型及机器学习模型在土木工程领域的应用收到了大量学者的关注，然而这些模型的效果高度依赖于训练数据的质量且其结果很难解释，在实际应用中存在一定的局限性。杨险峰博士的研究通过在原有机器学习模型中引入传统物理模型的约束，构建了物理正则化机器学习模型（Physics Regularized Machine Learning Model），使其能够更好地适应存在噪声和波动的数据集。
图1 报告内容展示（一）
杨险峰博士关注了道路交通状态估计（Traffic State Estimation）这一经典的交通问题，利用经典交通流预测模型中的物理知识来规范机器学习的训练过程，建立了物理正则化机器学习模型。具体来说，该模型包含三个模块——物理正则化机器学习模型、物理正则化流学习模型和物理正则化多分辨率学习模型。杨博士通过案例分析，对比了机器学习模型、传统物理模型及物理正则化机器学习模型对道路交通状态的估计结果，发现物理正则化机器学习在应对数据噪声和数据波动上有着更好的表现。
图2 报告内容展示（二）
杨老师介绍，该研究兼具理论价值和实际应用价值。首先，该研究为机器学习理论的发展及其在智能出行等领域的应用带来了新的启示；其次，该模型可以帮助相关研究人员更好地实现模型的校准，对传统物理模型的改进给予指导；此外，该模型在交通运输领域有着十分广泛的应用前景，例如，自动行驶车辆的轨迹控制就可以通过该研究提到的物理正则化机器学习方法得到解决。在报告结束后，杨老师与同学们就报告内容充分交流。同学们对物理正则化机器学习的优势、传统物理模型的选择依据、数据分析中的数据扩充方法等问题提出了自己的见解和疑问，杨老师也一一为同学们解答，整个讨论过程气氛活跃。
图3 报告内容展示（三）
临近尾声，杨老师结合自己多年来的学习及科研经验，与在座的各位同学分享了自己在攻读博士和从事教职过程中的经历、思考与感悟。杨老师提到在博士生涯乃至于整个职业发展生涯当中的不同阶段应该有不同的侧重点。在科研过程中，最重要的就是培养自己独立研究的能力，博士生们需要注意提升自己发现问题、提出想法的能力。刚入学的博士生要积极向有经验的人请教，学会管理自己，少走弯路；在具备独立研究能力之后则要学会领导科研团队，协调课题组内成员的工作，并且多与他人交流、多思考；在正式成为一名青年学者之后则要学会合理分配自己的时间，找到自己职业发展的侧重点。杨老师的分享十分中肯、真诚，让在座的同学们受益匪浅。经过与杨老师的交流、探讨，同学们不但得到了做研究的启发，也对自己未来的职业发展有了更深的感悟。
