深度學(xué)習(xí)與交通大數(shù)據(jù)實戰(zhàn)

第1章Python基礎(chǔ)知識簡介

1.1Python數(shù)據(jù)類型

1.1.1列表

1.1.2元組

1.1.3字符串

1.1.4字典

1.2Python三大語句

1.2.1順序語句

1.2.2條件語句

1.2.3循環(huán)語句

1.2.4列表推導(dǎo)式

1.3Python的函數(shù)、類和對象

1.3.1函數(shù)

1.3.2類和對象

1.4Python的文件讀取和寫入

1.4.1Python內(nèi)置讀取寫入方式

1.4.2NumPy讀取和寫入

1.4.3Pandas讀取和寫入

1.5Python數(shù)組包——NumPy

1.5.1NumPy簡介

1.5.2ndarray及其基本操作

1.6Python數(shù)據(jù)分析包——Pandas

1.6.1Pandas簡介

1.6.2Series、DataFrame及其基本操作

1.6.3Pandas和NumPy的異同

1.6.4使用Pandas和NumPy實現(xiàn)數(shù)據(jù)的獲取

1.7Python科學(xué)計算包——SciPy

1.7.1SciPy簡介

1.7.2擬合與優(yōu)化模塊

1.7.3線性代數(shù)模塊

1.7.4統(tǒng)計模塊

1.8Python機器學(xué)習(xí)包——ScikitLearn

1.8.1ScikitLearn簡介

1.8.2SVM分類

1.8.3隨機森林回歸

1.8.4Kmeans聚類

1.9Python可視化包——Matplotlib

1.9.1Matplotlib簡介

1.9.2Matplotlib繪圖

第2章PyTorch基礎(chǔ)知識簡介

2.1張量模塊

2.1.1張量的數(shù)據(jù)類型

2.1.2張量的基本操作

2.1.3張量與NumPy數(shù)組

2.1.4Cuda張量與CPU張量

2.2數(shù)據(jù)模塊

2.2.1Dataset簡介及用法

2.2.2DataLoader簡介及用法

2.3網(wǎng)絡(luò)模塊

2.3.1torch.nn函數(shù)簡介

2.3.2torch.nn.Module構(gòu)建類

2.3.3類的使用

2.4激活函數(shù)模塊

2.4.1Sigmoid函數(shù)

2.4.2Tanh函數(shù)

2.4.3ReLU函數(shù)

2.4.4LeakyReLU函數(shù)

2.5優(yōu)化器模塊

2.5.1Optimizer的使用

2.5.2常見優(yōu)化器簡介

2.6訓(xùn)練和測試模塊

2.6.1model.train()和model.eval()函數(shù)簡介

2.6.2模型訓(xùn)練和測試框架簡介

2.7模型保存與重載模塊

2.7.1保存與重載模塊

2.7.2EarlyStopping

2.8可視化模塊

2.8.1TensorBoard簡介

2.8.2模型計算圖的保存

2.8.3損失函數(shù)等常量的保存

第3章深度學(xué)習(xí)基礎(chǔ)模型簡介

3.1反向傳播算法

3.1.1反向傳播算法簡介

3.1.2NumPy實現(xiàn)反向傳播算法

3.2循環(huán)神經(jīng)網(wǎng)絡(luò)

3.2.1循環(huán)神經(jīng)網(wǎng)絡(luò)簡介

3.2.2LSTM簡介

3.2.3PyTorch實現(xiàn)LSTM時間序列預(yù)測

3.3卷積神經(jīng)網(wǎng)絡(luò)

3.3.1卷積神經(jīng)網(wǎng)絡(luò)簡介

3.3.2一維和二維卷積神經(jīng)網(wǎng)絡(luò)

3.3.3PyTorch實現(xiàn)一維卷積神經(jīng)網(wǎng)絡(luò)時間序列預(yù)測

3.3.4PyTorch實現(xiàn)二維卷積神經(jīng)網(wǎng)絡(luò)手寫數(shù)字識別

3.4圖卷積神經(jīng)網(wǎng)絡(luò)

3.4.1圖卷積神經(jīng)網(wǎng)絡(luò)簡介

3.4.2NumPy實現(xiàn)圖卷積神經(jīng)網(wǎng)絡(luò)

3.4.3PyTorch實現(xiàn)圖卷積神經(jīng)網(wǎng)絡(luò)時間序列預(yù)測

第4章基于深度學(xué)習(xí)的軌道交通刷卡數(shù)據(jù)案例實戰(zhàn)

4.1研究背景

4.2研究現(xiàn)狀

4.2.1城市軌道交通短時客流預(yù)測

4.2.2基于計算機視覺的站內(nèi)人、物、景檢測識別

4.2.3基于強化學(xué)習(xí)的運營優(yōu)化和控制

4.3數(shù)據(jù)獲取手段及開源數(shù)據(jù)集簡介

4.4數(shù)據(jù)預(yù)處理

4.5基于PyTorch的軌道交通刷卡數(shù)據(jù)建模

4.5.1問題陳述及模型框架

4.5.2數(shù)據(jù)準(zhǔn)備

4.5.3模型構(gòu)建

4.5.4模型終止及評價

4.5.5模型訓(xùn)練及測試

4.5.6結(jié)果展示

4.6本章小結(jié)

第5章基于深度學(xué)習(xí)的共享單車軌跡數(shù)據(jù)案例實戰(zhàn)

5.1研究背景

5.2研究現(xiàn)狀

5.2.1共享單車出入流預(yù)測研究

5.2.2共享單車調(diào)度優(yōu)化研究

5.3數(shù)據(jù)獲取手段及開源數(shù)據(jù)集簡介

5.4數(shù)據(jù)預(yù)處理及可視化

5.5基于PyTorch的共享單車數(shù)據(jù)建模

5.5.1問題陳述及模型框架

5.5.2數(shù)據(jù)準(zhǔn)備

5.5.3模型構(gòu)建

5.5.4模型訓(xùn)練及測試

5.5.5結(jié)果展示

5.6本章小結(jié)

第6章基于深度學(xué)習(xí)的出租車軌跡數(shù)據(jù)案例實戰(zhàn)

6.1研究背景

6.2研究現(xiàn)狀

6.2.1基于深度學(xué)習(xí)的短時流量/載客需求/OD需求預(yù)測

6.2.2基于深度學(xué)習(xí)的軌跡出行時間估計

6.2.3基于深度強化學(xué)習(xí)的出租車派單優(yōu)化

6.3數(shù)據(jù)獲取手段及開源數(shù)據(jù)集簡介

6.4數(shù)據(jù)預(yù)處理

6.5基于PyTorch的出租車軌跡數(shù)據(jù)建模

6.5.1問題陳述及模型框架

6.5.2數(shù)據(jù)準(zhǔn)備

6.5.3模型構(gòu)建

6.5.4模型訓(xùn)練及測試

6.5.5結(jié)果展示

6.6本章小結(jié)

第7章基于深度學(xué)習(xí)的私家車軌跡數(shù)據(jù)案例實戰(zhàn)

7.1研究背景

7.2研究現(xiàn)狀

7.2.1軌跡預(yù)處理

7.2.2出行模式分析

7.2.3時空流量預(yù)測

7.2.4軌跡預(yù)測

7.2.5社交關(guān)系推斷

7.3數(shù)據(jù)獲取手段及開源數(shù)據(jù)集簡介

7.4數(shù)據(jù)預(yù)處理

7.5基于PyTorch的私家車軌跡數(shù)據(jù)建模

7.5.1問題陳述及模型框架

7.5.2數(shù)據(jù)準(zhǔn)備

7.5.3數(shù)據(jù)建模

7.5.4模型訓(xùn)練及結(jié)果展示

7.6本章小結(jié)

第8章基于深度學(xué)習(xí)的空中交通運行數(shù)據(jù)案例實戰(zhàn)

8.1研究背景

8.2研究現(xiàn)狀

8.2.1基于深度學(xué)習(xí)的空中交通流量預(yù)測

8.2.2基于深度學(xué)習(xí)的四維航跡預(yù)測

8.2.3基于機器學(xué)習(xí)的空中交通復(fù)雜性評估

8.2.4基于強化學(xué)習(xí)的空中交通優(yōu)化控制

8.3數(shù)據(jù)獲取手段及開源數(shù)據(jù)集簡介

8.4數(shù)據(jù)預(yù)處理

8.5基于PyTorch的空中交通數(shù)據(jù)建模

8.5.1問題描述及模型框架

8.5.2數(shù)據(jù)準(zhǔn)備

8.5.3模型構(gòu)建

8.5.4模型訓(xùn)練、測試及評價

8.5.5結(jié)果展示

8.6本章小結(jié)

參考文獻(xiàn)