智能交通大數(shù)據(jù)：綜合交通數(shù)據(jù)科學(xué)技術(shù)及應(yīng)用

前言
第1 章 緒論 1
1.1　數(shù)據(jù)科學(xué)的發(fā)展歷程與應(yīng)用現(xiàn)狀 1
1.2　綜合交通領(lǐng)域研究方向及應(yīng)用需求 2
1.3　綜合交通數(shù)據(jù)科學(xué)技術(shù) 3
1.3.1　概述 3
1.3.2　內(nèi)容 3
1.3.3　應(yīng)用 4
1.4　本書簡介 4
第2 章 回歸分析的原理、模型與實現(xiàn) 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(shù)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(shù)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(shù)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(jié) 34
第3 章　聚類分析的原理、模型與實現(xiàn) 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(yīng)用 38
3.1.5　聚類效果評價指標(biāo) 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(diào)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(guān)鍵參數(shù) 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(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) 66
4.1　神經(jīng)網(wǎng)絡(luò) 66
4.1.1　人工神經(jīng)網(wǎng)絡(luò) 66
4.1.2　神經(jīng)元 67
4.1.3　激活函數(shù) 67
4.1.4　神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu) 71
4.1.5　前向傳播與反向傳播 72
4.2　深度強化學(xué)習(xí) 74
4.2.1　卷積運算 74
4.2.2　卷積神經(jīng)網(wǎng)絡(luò) 77
4.2.3　循環(huán)神經(jīng)網(wǎng)絡(luò) 83
4.3　案例分析 83
第5 章　杭州地鐵客流數(shù)據(jù)分析實踐 90
5.1　數(shù)據(jù)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(shù) 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(shù)據(jù)聚類 102
5.3　回歸分析 110
第6 章　北京地鐵客流數(shù)據(jù)分析與客流預(yù)測 118
6.1　數(shù)據(jù)分析 118
6.1.1　數(shù)據(jù)介紹 118
6.1.2　數(shù)據(jù)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(nèi)1 分鐘時間粒度下進站客流量 122
6.2　客流量預(yù)測 125
6.2.1　LSTM 模型 125
6.2.2　CNN 模型 128
6.2.3　結(jié)果分析 132
第7 章　多模型共享單車騎行需求預(yù)測 134
7.1　數(shù)據(jù)說明及具體目標(biāo) 134
7.2　實施流程 135
7.3　數(shù)據(jù)預(yù)處理 136
7.3.1　導(dǎo)入相關(guān)包 136
7.3.2　讀取數(shù)據(jù) 137
7.3.3　日期數(shù)據(jù)處理及特征類別轉(zhuǎn)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(zhǔn)備數(shù)據(jù) 150
7.4.2　基本模型 150
7.4.3　模型融合 Stacking 160
7.5　結(jié)果分析 160
7.5.1　各模型殘差分析 160
7.5.2　預(yù)測結(jié)果分析 167
參考文獻 169