近年來，隨著大數(shù)據的引入和人工智能的發(fā)展，交通領域在大數(shù)據和人工智能的影響下不斷發(fā)展，追求更快、更準確、更智能化的研究越來越迫切。駕駛行為及意圖的識別、交通流的預測、交通規(guī)劃等交通領域的更新內容都需要大數(shù)據和人工智能的支撐。本書介紹了大數(shù)據的框架和基本內容、特點及原理等，從數(shù)據的獲取到深度學習，講解的內容由淺入深，并通過Python編程實現(xiàn)數(shù)據獲取和算法原理說明，使讀者容易理解和掌握。
本書的具體研究內容如下。
① 大數(shù)據概述：大數(shù)據的基本理論知識，大數(shù)據的特征、分類、框架結構等。
② Python基礎知識：各種模塊的講解，并配以案例實現(xiàn)。
③ 機器學習模式識別：機器學習的類型，機器學習的基礎數(shù)學知識，樹和隨機森林算法，KNN 算法，貝葉斯理論，支持向量機等模型和原理，以及具體的Python代碼實現(xiàn)。
④ 深度學習基礎及應用：深度學習的微積分基礎、線性代數(shù)基礎、案例詳解、深度學習框架以及硬件基礎、深度學習的駕駛意圖應用等。
⑤ 深度學習的交通流預測研究：交通流理論基礎、交通流統(tǒng)計分布特性的基本理論知識、交通流數(shù)據預處理等。
●大數(shù)據技術基礎理論知識：大數(shù)據的特征、分類、框架結構等。
●Python編程基礎知識：各種模塊的講解，并配以實操案例。
●機器學習模式識別：機器學習的類型、機器學習的基礎數(shù)學知識、樹和隨機森林算法、KNN算法、貝葉斯理論、支持向量機等模型和原理以及具體的Python代碼實現(xiàn)。
●深度學習基礎知識及應用：深度學習的微積分基礎、線性代數(shù)基礎、案例詳解、深度學習框架以及硬件基礎、深度學習的駕駛意圖應用等。
●深度學習的交通流預測研究：交通流理論基礎、交通流統(tǒng)計分布特性的基本理論知識、交通流數(shù)據預處理、深度學習的交通流預測等。
近年來，隨著大數(shù)據的引入和人工智能的發(fā)展，交通領域在大數(shù)據和人工智能的影響下不斷發(fā)展，追求更快、更準確、更智能化的研究越來越迫切。駕駛行為及意圖的識別、交通流的預測、交通規(guī)劃等交通領域的更新內容都需要大數(shù)據和人工智能的支撐。本書介紹了大數(shù)據的框架和基本內容、特點及原理等，從數(shù)據的獲取到深度學習，講解的內容由淺入深，并通過Python編程實現(xiàn)數(shù)據獲取和算法原理說明，使讀者容易理解和掌握。
本書的具體研究內容如下。
① 大數(shù)據概述：大數(shù)據的基本理論知識，大數(shù)據的特征、分類、框架結構等。
② Python基礎知識：各種模塊的講解，并配以案例實現(xiàn)。
③ 機器學習模式識別：機器學習的類型，機器學習的基礎數(shù)學知識，樹和隨機森林算法，KNN 算法，貝葉斯理論，支持向量機等模型和原理，以及具體的Python代碼實現(xiàn)。
④ 深度學習基礎及應用：深度學習的微積分基礎、線性代數(shù)基礎、案例詳解、深度學習框架以及硬件基礎、深度學習的駕駛意圖應用等。
⑤ 深度學習的交通流預測研究：交通流理論基礎、交通流統(tǒng)計分布特性的基本理論知識、交通流數(shù)據預處理等。
本書的出版得到了山東省自然科學基金面上項目(ZR2019MEE072)、教育部高等教育司“人因與工效學”產學合作協(xié)同育人項目(202101042014)、教育部人文社會科學研究規(guī)劃基金(18YJAZH067)、山東省自然科學基金面上項目(ZR2020MG021)、山東省泰山學者專項(ts201712054)、國家自然科學基金面上項目(5217052865)、工業(yè)流體節(jié)能與污染控制教育部重點實驗室項目(背景噪聲下小波包處理技術的深度學習聲紋識別研究)等資助。在此一并表示感謝。
最后，還要衷心感謝本書引用的參考資料的所有作者。由于筆者水平有限，書中難免有疏漏和不足之處，懇請讀者批評指正。
著者
第1 章 緒論001
1.1 大數(shù)據概述002
1.2 Python 概述003
1.3 交通運輸大數(shù)據概述004
第2 章 Python 基礎知識007
2.1 變量和簡單數(shù)據類型008
2.2 Python 語法基礎010
2.3 數(shù)據可視化020
2.4 數(shù)據的統(tǒng)計學特征025
2.5 代數(shù)和符號運算問題028
2.6 基本數(shù)學運算030
2.7 不同類型的數(shù)字031
2.8 Pandas 和NumPy 模塊032
第3 章 大數(shù)據基礎043
3.1 大數(shù)據044
3.2 Hadoop 大數(shù)據平臺046
3.3 大數(shù)據與人工智能050
3.4 探索性數(shù)據分析051
3.5 相關分析和回歸分析054
3.6 降維數(shù)據分析056
第4 章 機器學習模式識別065
4.1 人工智能、機器學習和深度學習關系066
4.2 機器學習基礎068
4.3 機器學習中的參數(shù)及擬合問題071
4.4 矩陣基本知識072
4.5 樹和隨機森林算法076
4.6 KNN 算法078
4.7 貝葉斯理論078
4.8 支持向量機080
4.9 神經網絡085
第5 章 深度學習基礎及應用101
5.1 深度學習中的微積分基礎102
5.2 深度學習的線性代數(shù)基礎106
5.3 基于Python 的神經網絡案例算法詳解107
5.4 深度學習框架113
5.5 深度學習的硬件基礎117
5.6 卷積神經網絡算法詳解118
5.7 循環(huán)神經網絡和長短期記憶網絡125
5.8 基于LSTM 的駕駛意圖識別130
第6 章 深度學習的交通流預測研究139
6.1 交通流理論基礎140
6.2 交通流的統(tǒng)計分布特性142
6.3 交通流數(shù)據預處理144
6.4 交通信息獲取技術146
6.5 宏觀交通流模型及微觀交通流模型147
6.6 基于深度學習的交通流預測149
參考文獻155
新書資訊