大數(shù)據(jù)及其在交通運輸中的應用

本書主要對大數(shù)據(jù)的理論基礎進行了介紹，并對大數(shù)據(jù)框架包含的內(nèi)容進行了詳細講解。具體內(nèi)容包括：對Python基礎知識的介紹，主要是在大數(shù)據(jù)的交通流預測中所能用到的Python基礎知識；對大數(shù)據(jù)所包括的內(nèi)容及基礎理論知識的講解；數(shù)據(jù)挖掘的研究與分析，對交通流大數(shù)據(jù)的基礎數(shù)據(jù)的處理與分析；基于Python的機器學習模型的基礎理論知識的介紹、交通流和駕駛行為及意圖分析；基于Python的深度學習的理論講解與分析，并運用深度學習模型對交通流進行預測等。
本書可供交通運輸、交通工程、車輛工程、計算機等領域的技術人員、編程人員閱讀，也可供相關專業(yè)的師生學習參考。

●大數(shù)據(jù)技術基礎理論知識：大數(shù)據(jù)的特征、分類、框架結(jié)構(gòu)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(jù)預處理、深度學習的交通流預測等。

近年來，隨著大數(shù)據(jù)的引入和人工智能的發(fā)展，交通領域在大數(shù)據(jù)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(nèi)容都需要大數(shù)據(jù)和人工智能的支撐。本書介紹了大數(shù)據(jù)的框架和基本內(nèi)容、特點及原理等，從數(shù)據(jù)的獲取到深度學習，講解的內(nèi)容由淺入深，并通過Python編程實現(xiàn)數(shù)據(jù)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(nèi)容如下。
① 大數(shù)據(jù)概述：大數(shù)據(jù)的基本理論知識，大數(shù)據(jù)的特征、分類、框架結(jié)構(gòu)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(jù)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(chǎn)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(jù)概述002
1.2　Python 概述003
1.3　交通運輸大數(shù)據(jù)概述004

第2 章　Python 基礎知識007
2.1　變量和簡單數(shù)據(jù)類型008
2.2　Python 語法基礎010
2.3　數(shù)據(jù)可視化020
2.4　數(shù)據(jù)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(jù)基礎043
3.1　大數(shù)據(jù)044
3.2　Hadoop 大數(shù)據(jù)平臺046
3.3　大數(shù)據(jù)與人工智能050
3.4　探索性數(shù)據(jù)分析051
3.5　相關分析和回歸分析054
3.6　降維數(shù)據(jù)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(jīng)網(wǎng)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(jīng)網(wǎng)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(jīng)網(wǎng)絡算法詳解118
5.7　循環(huán)神經(jīng)網(wǎng)絡和長短期記憶網(wǎng)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(jù)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