智能交通大數據-綜合交通數據科學技術及應用 周慧娟 9787111761372 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：機械工業
物品所在地：中國大陸
原出版社：機械工業
NT$439
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為正確資訊。 印行年月：202408*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：智能交通大數據-綜合交通數據科學技術及應用 ISBN：9787111761372 出版社：機械工業 著編譯者：周慧娟 叢書名：智能交通與智能駕駛系列 頁數：169 所在地：中國大陸 *此為代購商品 書號：1674487 可大量預訂，請先連絡。 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、神經網路與深度學習的原理、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演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能力，理解所介紹的知識與方法。 本書主要面向交通運輸工程、交通設備與控制工程、智能交通等交通數據分析人員及初學者，以及相關專業高年級本科生、研究生等。目錄 前言第1章 緒論 1 1 數據科學的發展歷程與應用現狀 1 2 綜合交通領域研究方向及應用需求 1 3 綜合交通數據科學技術 1 3 1 概述 1 3 2 內容 1 3 3 應用 1 4 本書簡介 第2章 回歸分析的原理、模型與實現 2 1 回歸分析簡介 2 2 簡單線性回歸 2 2 1 案例引入 2 2 2 基本概念 2 2 3 模型描述 2 2 4 參數估計 2 2 5 欠擬合與過擬合 2 2 6 多元線性回歸 2 3 邏輯回歸 2 3 1 案例引入 2 3 2 基本概念 2 3 3 模型描述 2 3 4 參數估計 2 4 非線性回歸 2 4 1 多項式回歸 2 4 2 冪函數回歸 2 4 3 常見非線性回歸模型 2 5 正則化回歸方法 2 5 1 L2正則化：嶺回歸 2 5 2 L1正則化：LASSO回歸 2 6 本章小結 第3章 聚類分析的原理、模型與實現 3 1 聚類概述 3 1 1 什麼是聚類 3 1 2 聚類的要求 3 1 3 聚類的計算方法 3 1 4 聚類的應用 3 1 5 聚類效果評價指標 3 2 k-means聚類 3 2 1 k-means聚類原理 3 2 2 k-means聚類優缺點 3 2 3 k-means聚類調優和改進演算法 3 3 層次聚類 3 3 1 層次聚類原理 3 3 2 層次聚類優缺點 3 3 3 凝聚的層次聚類方法 3 4 DBSCAN 3 4 1 DBSCAN原理 3 4 2 DBSCAN關鍵參數 3 4 3 DBSCAN優缺點 3 5 其他聚類方法 3 5 1 GMM聚類 3 5 2 譜聚類 3 5 3 GMM聚類和譜聚類示例 3 6 演算法對比 3 6 1 分類和聚類的區別 3 6 2 k-means聚類、DBSCAN、層次聚類對比 3 6 3 scikit-learn庫中的聚類演算法的比較 第4章 神經網路與深度學習 4 1 神經網路 4 1 1 人工神經網路 4 1 2 神經元 4 1 3 激活函數 4 1 4 神經網路的基本結構 4 1 5 前向傳播與反向傳播 4 2 深度強化學習 4 2 1 卷積運算 4 2 2 卷積神經網路 4 2 3 循環神經網路 4 3 案例分析 第5章 杭州地鐵客流數據分析實踐 5 1 數據統計 5 1 1 10分鐘客流集計 5 1 2 站點5分鐘粒度進站客流量 5 1 3 各個站點5分鐘粒度下進站乘客平均乘車時間 5 1 4 早高峰進站人數 5 1 5 線路B早高峰進站客流可視化 5 1 6 乘客編號路徑追蹤 5 2 數據聚類 5 3 回歸分析 第6章 北京地鐵客流數據分析與客流預測 6 1 數據分析 6 1 1 數據介紹 6 1 2 數據處理 6 1 3 單線路1分鐘時間粒度進出站客流量 6 1 4 單站一天內1分鐘時間粒度下進站客流量 6 2 客流量預測 6 2 1 LSTM模型 6 2 2 CNN模型 6 2 3 結果分析 第7章 多模型共享單車騎行需求預測 7 1 數據說明及具體目標 7 2 實施流程 7 3 數據預處理 7 3 1 導入相關包 7 3 2 讀取數據 7 3 3 日期數據處理及特徵類別轉換 7 3 4 異常值處理 7 3 5 可視化分析 7 4 模型建立與求解 7 4 1 準備數據 7 4 2 基本模型 7 4 3 模型融合Stacking 7 5 結果分析 7 5 1 各模型殘差分析 7 5 2 預測結果分析 參考文獻 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
