深度學習與交通大數(shù)據(jù)實戰(zhàn)

第1章Python基礎知識簡介

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機器學習包——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)絡模塊

2.3.1torch.nn函數(shù)簡介

2.3.2torch.nn.Module構建類

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訓練和測試模塊

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

2.6.2模型訓練和測試框架簡介

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章深度學習基礎模型簡介

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

3.2.1循環(huán)神經(jīng)網(wǎng)絡簡介

3.2.2LSTM簡介

3.2.3PyTorch實現(xiàn)LSTM時間序列預測

3.3卷積神經(jīng)網(wǎng)絡

3.3.1卷積神經(jīng)網(wǎng)絡簡介

3.3.2一維和二維卷積神經(jīng)網(wǎng)絡

3.3.3PyTorch實現(xiàn)一維卷積神經(jīng)網(wǎng)絡時間序列預測

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

3.4圖卷積神經(jīng)網(wǎng)絡

3.4.1圖卷積神經(jīng)網(wǎng)絡簡介

3.4.2NumPy實現(xiàn)圖卷積神經(jīng)網(wǎng)絡

3.4.3PyTorch實現(xiàn)圖卷積神經(jīng)網(wǎng)絡時間序列預測

第4章基于深度學習的軌道交通刷卡數(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基于強化學習的運營優(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)準備

4.5.3模型構建

4.5.4模型終止及評價

4.5.5模型訓練及測試

4.5.6結果展示

4.6本章小結

第5章基于深度學習的共享單車軌跡數(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)準備

5.5.3模型構建

5.5.4模型訓練及測試

5.5.5結果展示

5.6本章小結

第6章基于深度學習的出租車軌跡數(shù)據(jù)案例實戰(zhàn)

6.1研究背景

6.2研究現(xiàn)狀

6.2.1基于深度學習的短時流量/載客需求/OD需求預測

6.2.2基于深度學習的軌跡出行時間估計

6.2.3基于深度強化學習的出租車派單優(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)準備

6.5.3模型構建

6.5.4模型訓練及測試

6.5.5結果展示

6.6本章小結

第7章基于深度學習的私家車軌跡數(shù)據(jù)案例實戰(zhàn)

7.1研究背景

7.2研究現(xiàn)狀

7.2.1軌跡預處理

7.2.2出行模式分析

7.2.3時空流量預測

7.2.4軌跡預測

7.2.5社交關系推斷

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)準備

7.5.3數(shù)據(jù)建模

7.5.4模型訓練及結果展示

7.6本章小結

第8章基于深度學習的空中交通運行數(shù)據(jù)案例實戰(zhàn)

8.1研究背景

8.2研究現(xiàn)狀

8.2.1基于深度學習的空中交通流量預測

8.2.2基于深度學習的四維航跡預測

8.2.3基于機器學習的空中交通復雜性評估

8.2.4基于強化學習的空中交通優(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)準備

8.5.3模型構建

8.5.4模型訓練、測試及評價

8.5.5結果展示

8.6本章小結

參考文獻