智能交通大數據：綜合交通數據科學技術及應用

定　價：￥69.00

作　者：	周慧娟張尊棟劉小明吳文祥陳智
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網 (￥58.30)

ISBN：	9787111761372	出版時間：	2024-08-01	包裝：	平裝-膠訂
開本：	16開	頁數：		字數：

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(tǒng)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(zhàn)能力，理解所介紹的知識與方法。

作者簡介

　　周慧娟，博士，北方工業(yè)大學教授；畢業(yè)于北京交通大學系統(tǒng)分析與集成專業(yè)，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(yè)從業(yè)經歷，承擔過鐵路地理信息系統(tǒng)平臺（RGIS）的建設及鐵路、城市軌道交通、城市道路交通行業(yè)信息化建設和信息系統(tǒng)研發(fā)；講授“數據庫技術”“交通大數據技術”“交通地理信息系統(tǒng)”等課程，對數據科學相關理論、方法、技術及其在交通行業(yè)的應用有較深的理解和積累。

圖書目錄

前言
第1 章緒論 1
1.1　數據科學的發(fā)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(yōu)缺點 42
3.2.3　k-means 聚類調優(yōu)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(yōu)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(yōu)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(qū)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(huán)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(tǒng)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