掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現代政治哲學的問題與脈絡
智能交通大數據——綜合交通數據科學技術及應用 版權信息
- ISBN：9787111761372
- 條形碼：9787111761372 ; 978-7-111-76137-2
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
智能交通大數據——綜合交通數據科學技術及應用 本書特色
智能交通與智能駕駛系列
引用大量的交通案例，展示各類算法模型應用到交通實踐
借助回歸分析、聚類分析、神經網絡與深度學習，從數據預處理、數據統計、數據模型、數據結果分析、數據可視化展示等方面，更加清晰地介紹了綜合交通數據的具體處理和分析方法，賦能智能交通大數據應用。
綜合交通數據科學關鍵板塊：
1.地理信息系統
2.交通模擬
3.智能交通系統
4.大數據分析
5.交通政策和規劃
6.交通數據共享和可視化
綜合交通數據科學技術作用：
1，幫助預測和緩解交通擁堵，通過實時監測交通狀況，交通管理者可以及時采取措施來改善道路流通，如調整信號燈、引導交通、提供實時交通信息等，從而降低交通擁堵；
2，有助于提高道路交通的安全性，減少交通事故和交通傷亡，識別交通安全問題的熱點；
3. 有利于環境可持續性，城市交通規劃可持續性，提高資源利用效率。
智能交通大數據——綜合交通數據科學技術及應用 內容簡介
本書結合作者多年的科研和教學經驗，深入淺出地介紹了數據科學中常用的熱門的回歸分析、聚類分析、神經網絡與深度學習的原理、模型；在介紹理論知識的同時，引用了大量的交通案例，以便展示如何將各類算法模型應用到交通實踐中。本書分別以杭州地鐵、北京地鐵客流數據和共享單車騎行數據為例，從數據預處理、數據統計、數據模型、數據結果分析、數據可視化展示等方面，更加清晰地介紹了綜合交通數據的具體處理和分析方法，展示了如何運用這些技術來分析杭州和北京地鐵客流數據，以及如何利用共享單車數據進行集成學習和客流預測，從而增強綜合交通數據科學理論知識的可解釋性，以便讀者進一步增強綜合交通數據科學技術實戰能力，理解所介紹的知識與方法。
智能交通大數據——綜合交通數據科學技術及應用 目錄
前言
第1 章 緒論 1
1.1 數據科學的發展歷程與應用現狀 1
1.2 綜合交通領域研究方向及應用需求 2
1.3 綜合交通數據科學技術 3
1.3.1 概述 3
1.3.2 內容 3
1.3.3 應用 4
1.4 本書簡介 4
第2 章 回歸分析的原理、模型與實現 6
2.1 回歸分析簡介 6
2.2 簡單線性回歸 7
2.2.1 案例引入 7
2.2.2 基本概念 7
2.2.3 模型描述 8
2.2.4 參數估計 9
2.2.5 欠擬合與過擬合 13
2.2.6 多元線性回歸 16
2.3 邏輯回歸 20
2.3.1 案例引入 20
2.3.2 基本概念 21
2.3.3 模型描述 21
2.3.4 參數估計 23
2.4 非線性回歸 27
2.4.1 多項式回歸 27
2.4.2 冪函數回歸 29
2.4.3 常見非線性回歸模型 30
2.5 正則化回歸方法 31
2.5.1 L2 正則化：嶺回歸 32
2.5.2 L1 正則化：LASSO 回歸 32
2.6 本章小結 34
第3 章 聚類分析的原理、模型與實現 35
3.1 聚類概述 35
3.1.1 什么是聚類 35
3.1.2 聚類的要求 35
3.1.3 聚類的計算方法 36
3.1.4 聚類的應用 38
3.1.5 聚類效果評價指標 38
3.2 k-means 聚類 40
3.2.1 k-means 聚類原理 41
3.2.2 k-means 聚類優缺點 42
3.2.3 k-means 聚類調優和改進算法 43
3.3 層次聚類 44
3.3.1 層次聚類原理 45
3.3.2 層次聚類優缺點 46
3.3.3 凝聚的層次聚類方法 47
3.4 DBSCAN 52
3.4.1 DBSCAN 原理 53
3.4.2 DBSCAN 關鍵參數 54
3.4.3 DBSCAN 優缺點 56
3.5 其他聚類方法 57
3.5.1 GMM 聚類 57
3.5.2 譜聚類 57
3.5.3 GMM 聚類和譜聚類示例 58
3.6 算法對比 59
3.6.1 分類和聚類的區別 59
3.6.2 k-means 聚類、DBSCAN、層次聚類對比 59
3.6.3 scikit-learn 庫中的聚類算法的比較 64
第4 章 神經網絡與深度學習 66
4.1 神經網絡 66
4.1.1 人工神經網絡 66
4.1.2 神經元 67
4.1.3 激活函數 67
4.1.4 神經網絡的基本結構 71
4.1.5 前向傳播與反向傳播 72
4.2 深度強化學習 74
4.2.1 卷積運算 74
4.2.2 卷積神經網絡 77
4.2.3 循環神經網絡 83
4.3 案例分析 83
第5 章 杭州地鐵客流數據分析實踐 90
5.1 數據統計 90
5.1.1 10 分鐘客流集計 90
5.1.2 站點5 分鐘粒度進站客流量 92
5.1.3 各個站點5 分鐘粒度下進站乘客平均乘車時間 94
5.1.4 早高峰進站人數 96
5.1.5 線路B 早高峰進站客流可視化 98
5.1.6 乘客編號路徑追蹤 99
5.2 數據聚類 102
5.3 回歸分析 110
第6 章 北京地鐵客流數據分析與客流預測 118
6.1 數據分析 118
6.1.1 數據介紹 118
6.1.2 數據處理 119
6.1.3 單線路1 分鐘時間粒度進出站客流量 121
6.1.4 單站一天內1 分鐘時間粒度下進站客流量 122
6.2 客流量預測 125
6.2.1 LSTM 模型 125
6.2.2 CNN 模型 128
6.2.3 結果分析 132
第7 章 多模型共享單車騎行需求預測 134
7.1 數據說明及具體目標 134
7.2 實施流程 135
7.3 數據預處理 136
7.3.1 導入相關包 136
7.3.2 讀取數據 137
7.3.3 日期數據處理及特征類別轉換 138
7.3.4 異常值處理 138
7.3.5 可視化分析 139
7.4 模型建立與求解 150
7.4.1 準備數據 150
7.4.2 基本模型 150
7.4.3 模型融合 Stacking 160
7.5 結果分析 160
7.5.1 各模型殘差分析 160
7.5.2 預測結果分析 167
參考文獻 169
第1 章 緒論 1
1.1 數據科學的發展歷程與應用現狀 1
1.2 綜合交通領域研究方向及應用需求 2
1.3 綜合交通數據科學技術 3
1.3.1 概述 3
1.3.2 內容 3
1.3.3 應用 4
1.4 本書簡介 4
第2 章 回歸分析的原理、模型與實現 6
2.1 回歸分析簡介 6
2.2 簡單線性回歸 7
2.2.1 案例引入 7
2.2.2 基本概念 7
2.2.3 模型描述 8
2.2.4 參數估計 9
2.2.5 欠擬合與過擬合 13
2.2.6 多元線性回歸 16
2.3 邏輯回歸 20
2.3.1 案例引入 20
2.3.2 基本概念 21
2.3.3 模型描述 21
2.3.4 參數估計 23
2.4 非線性回歸 27
2.4.1 多項式回歸 27
2.4.2 冪函數回歸 29
2.4.3 常見非線性回歸模型 30
2.5 正則化回歸方法 31
2.5.1 L2 正則化：嶺回歸 32
2.5.2 L1 正則化：LASSO 回歸 32
2.6 本章小結 34
第3 章 聚類分析的原理、模型與實現 35
3.1 聚類概述 35
3.1.1 什么是聚類 35
3.1.2 聚類的要求 35
3.1.3 聚類的計算方法 36
3.1.4 聚類的應用 38
3.1.5 聚類效果評價指標 38
3.2 k-means 聚類 40
3.2.1 k-means 聚類原理 41
3.2.2 k-means 聚類優缺點 42
3.2.3 k-means 聚類調優和改進算法 43
3.3 層次聚類 44
3.3.1 層次聚類原理 45
3.3.2 層次聚類優缺點 46
3.3.3 凝聚的層次聚類方法 47
3.4 DBSCAN 52
3.4.1 DBSCAN 原理 53
3.4.2 DBSCAN 關鍵參數 54
3.4.3 DBSCAN 優缺點 56
3.5 其他聚類方法 57
3.5.1 GMM 聚類 57
3.5.2 譜聚類 57
3.5.3 GMM 聚類和譜聚類示例 58
3.6 算法對比 59
3.6.1 分類和聚類的區別 59
3.6.2 k-means 聚類、DBSCAN、層次聚類對比 59
3.6.3 scikit-learn 庫中的聚類算法的比較 64
第4 章 神經網絡與深度學習 66
4.1 神經網絡 66
4.1.1 人工神經網絡 66
4.1.2 神經元 67
4.1.3 激活函數 67
4.1.4 神經網絡的基本結構 71
4.1.5 前向傳播與反向傳播 72
4.2 深度強化學習 74
4.2.1 卷積運算 74
4.2.2 卷積神經網絡 77
4.2.3 循環神經網絡 83
4.3 案例分析 83
第5 章 杭州地鐵客流數據分析實踐 90
5.1 數據統計 90
5.1.1 10 分鐘客流集計 90
5.1.2 站點5 分鐘粒度進站客流量 92
5.1.3 各個站點5 分鐘粒度下進站乘客平均乘車時間 94
5.1.4 早高峰進站人數 96
5.1.5 線路B 早高峰進站客流可視化 98
5.1.6 乘客編號路徑追蹤 99
5.2 數據聚類 102
5.3 回歸分析 110
第6 章 北京地鐵客流數據分析與客流預測 118
6.1 數據分析 118
6.1.1 數據介紹 118
6.1.2 數據處理 119
6.1.3 單線路1 分鐘時間粒度進出站客流量 121
6.1.4 單站一天內1 分鐘時間粒度下進站客流量 122
6.2 客流量預測 125
6.2.1 LSTM 模型 125
6.2.2 CNN 模型 128
6.2.3 結果分析 132
第7 章 多模型共享單車騎行需求預測 134
7.1 數據說明及具體目標 134
7.2 實施流程 135
7.3 數據預處理 136
7.3.1 導入相關包 136
7.3.2 讀取數據 137
7.3.3 日期數據處理及特征類別轉換 138
7.3.4 異常值處理 138
7.3.5 可視化分析 139
7.4 模型建立與求解 150
7.4.1 準備數據 150
7.4.2 基本模型 150
7.4.3 模型融合 Stacking 160
7.5 結果分析 160
7.5.1 各模型殘差分析 160
7.5.2 預測結果分析 167
參考文獻 169
展開全部
智能交通大數據——綜合交通數據科學技術及應用 作者簡介
周慧娟，博士，北方工業大學教授；畢業于北京交通大學系統分析與集成專業，曾就職于鐵道科學研究院電子計算技術研究所；具有豐富的交通行業從業經歷，承擔過鐵路地理信息系統平臺（RGIS）的建設及鐵路、城市軌道交通、城市道路交通行業信息化建設和信息系統研發；講授“數據庫技術”“交通大數據技術”“交通地理信息系統”等課程，對數據科學相關理論、方法、技術及其在交通行業的應用有較深的理解和積累。
書友推薦
- >
羅曼·羅蘭讀書隨筆-精裝
- >
回憶愛瑪儂
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
中國歷史的瞬間
- >
【精裝繪本】畫給孩子的中國神話
- >
二體千字文
- >
姑媽的寶刀
- >
經典常談
本類暢銷
