首页 > 图书中心 > 深度学习与交通大数据实战

目录

目录

第1章Python基础知识简介

1.1Python数据类型

1.1.1列表

1.1.2元组

1.1.3字符串

1.1.4字典

1.2Python三大语句

1.2.1顺序语句

1.2.2条件语句

1.2.3循环语句

1.2.4列表推导式

1.3Python的函数、类和对象

1.3.1函数

1.3.2类和对象

1.4Python的文件读取和写入

1.4.1Python内置读取写入方式

1.4.2NumPy读取和写入

1.4.3Pandas读取和写入

1.5Python数组包——NumPy

1.5.1NumPy简介

1.5.2ndarray及其基本操作

1.6Python数据分析包——Pandas

1.6.1Pandas简介

1.6.2Series、DataFrame及其基本操作

1.6.3Pandas和NumPy的异同

1.6.4使用Pandas和NumPy实现数据的获取

1.7Python科学计算包——SciPy

1.7.1SciPy简介

1.7.2拟合与优化模块

1.7.3线性代数模块

1.7.4统计模块

1.8Python机器学习包——ScikitLearn

1.8.1ScikitLearn简介

1.8.2SVM分类

1.8.3随机森林回归

1.8.4Kmeans聚类

1.9Python可视化包——Matplotlib

1.9.1Matplotlib简介

1.9.2Matplotlib绘图

第2章PyTorch基础知识简介

2.1张量模块

2.1.1张量的数据类型

2.1.2张量的基本操作

2.1.3张量与NumPy数组

2.1.4Cuda张量与CPU张量

2.2数据模块

2.2.1Dataset简介及用法

2.2.2DataLoader简介及用法

2.3网络模块

2.3.1torch.nn函数简介

2.3.2torch.nn.Module构建类

2.3.3类的使用

2.4激活函数模块

2.4.1Sigmoid函数

2.4.2Tanh函数

2.4.3ReLU函数

2.4.4LeakyReLU函数

2.5优化器模块

2.5.1Optimizer的使用

2.5.2常见优化器简介

2.6训练和测试模块

2.6.1model.train()和model.eval()函数简介

2.6.2模型训练和测试框架简介

2.7模型保存与重载模块

2.7.1保存与重载模块

2.7.2EarlyStopping

2.8可视化模块

2.8.1TensorBoard简介

2.8.2模型计算图的保存

2.8.3损失函数等常量的保存

第3章深度学习基础模型简介

3.1反向传播算法

3.1.1反向传播算法简介

3.1.2NumPy实现反向传播算法

3.2循环神经网络

3.2.1循环神经网络简介

3.2.2LSTM简介

3.2.3PyTorch实现LSTM时间序列预测

3.3卷积神经网络

3.3.1卷积神经网络简介

3.3.2一维和二维卷积神经网络

3.3.3PyTorch实现一维卷积神经网络时间序列预测

3.3.4PyTorch实现二维卷积神经网络手写数字识别

3.4图卷积神经网络

3.4.1图卷积神经网络简介

3.4.2NumPy实现图卷积神经网络

3.4.3PyTorch实现图卷积神经网络时间序列预测

第4章基于深度学习的轨道交通刷卡数据案例实战

4.1研究背景

4.2研究现状

4.2.1城市轨道交通短时客流预测

4.2.2基于计算机视觉的站内人、物、景检测识别

4.2.3基于强化学习的运营优化和控制

4.3数据获取手段及开源数据集简介

4.4数据预处理

4.5基于PyTorch的轨道交通刷卡数据建模

4.5.1问题陈述及模型框架

4.5.2数据准备

4.5.3模型构建

4.5.4模型终止及评价

4.5.5模型训练及测试

4.5.6结果展示

4.6本章小结

第5章基于深度学习的共享单车轨迹数据案例实战

5.1研究背景

5.2研究现状

5.2.1共享单车出入流预测研究

5.2.2共享单车调度优化研究

5.3数据获取手段及开源数据集简介

5.4数据预处理及可视化

5.5基于PyTorch的共享单车数据建模

5.5.1问题陈述及模型框架

5.5.2数据准备

5.5.3模型构建

5.5.4模型训练及测试

5.5.5结果展示

5.6本章小结

第6章基于深度学习的出租车轨迹数据案例实战

6.1研究背景

6.2研究现状

6.2.1基于深度学习的短时流量/载客需求/OD需求预测

6.2.2基于深度学习的轨迹出行时间估计

6.2.3基于深度强化学习的出租车派单优化

6.3数据获取手段及开源数据集简介

6.4数据预处理

6.5基于PyTorch的出租车轨迹数据建模

6.5.1问题陈述及模型框架

6.5.2数据准备

6.5.3模型构建

6.5.4模型训练及测试

6.5.5结果展示

6.6本章小结

第7章基于深度学习的私家车轨迹数据案例实战

7.1研究背景

7.2研究现状

7.2.1轨迹预处理

7.2.2出行模式分析

7.2.3时空流量预测

7.2.4轨迹预测

7.2.5社交关系推断

7.3数据获取手段及开源数据集简介

7.4数据预处理

7.5基于PyTorch的私家车轨迹数据建模

7.5.1问题陈述及模型框架

7.5.2数据准备

7.5.3数据建模

7.5.4模型训练及结果展示

7.6本章小结

第8章基于深度学习的空中交通运行数据案例实战

8.1研究背景

8.2研究现状

8.2.1基于深度学习的空中交通流量预测

8.2.2基于深度学习的四维航迹预测

8.2.3基于机器学习的空中交通复杂性评估

8.2.4基于强化学习的空中交通优化控制

8.3数据获取手段及开源数据集简介

8.4数据预处理

8.5基于PyTorch的空中交通数据建模

8.5.1问题描述及模型框架

8.5.2数据准备

8.5.3模型构建

8.5.4模型训练、测试及评价

8.5.5结果展示

8.6本章小结

参考文献

版权所有(C)2022 清华大学出版社有限公司 京ICP备10035462号 京公网安备11010802013248号

联系我们 | 网站地图 | 法律声明 | 友情链接 | 盗版举报 | 人才招聘