深度学习与交通大数据实战 双色版

"(1) 以案例为导向，对基础理论知识点与代码演练进行详细讲解。 (2) 实战案例丰富，涵盖上百个知识点案例、5个交通大数据完整项目案例。 (3) 从数据获取到结果展示，体系化一条龙介绍完整的深度学习与交通大数据项目案例。 (4) 代码详尽，所有代码均附有详细说明，避免对代码的无效展示。 (5) 基础知识与案例应用各个模块的算法相对独立，便于读者针对性学习。 "

本书通过基础理论和算法实战相结合，循序渐进地介绍了深度学习与交通大数据领域内的计算机基础知识案例和应用实战案例，并通过PyTorch框架实现所有深度学习算法及案例应用。全书共8章，分别介绍了Python基础知识、PyTorch基础知识、深度学习基础模型，以及基于深度学习的轨道交通刷卡数据、共享单车轨迹数据、出租车轨迹数据、私家车轨迹数据、空中交通运行数据五个案例实战。
本书主要面向广大从事交通大数据分析、机器学习或深度学习的专业人员，从事高等教育的专任教师，高等学校的在读学生及相关领域的广大科研人员。

张金雷，北京交通大学土建学院2017级道路与铁道工程专业博士研究生。2018至2019年国家公派至美国华盛顿大学进行博士联合培养。截止目前，共发表5篇学术论文，其中4篇SCI，主持二类研究生创新基金一项，资助金额3万元，运营个人学术公众号《当交通遇上机器学习》。曾获2019年博士研究生国家奖学金，2016至2018年研究生一等学业奖学金。曾获优秀研究生干部荣誉称号。

第1章 Python基础知识简介
1.1 Python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
1.2 Python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
1.3 Python的函数、类和对象
1.3.1 函数
1.3.2 类和对象
1.4 Python的文件读取和写入
1.4.1 Python内置读取写入方式
1.4.2 NumPy读取和写入
1.4.3 Pandas读取和写入
1.5 Python数组包——NumPy
1.5.1 NumPy简介
1.5.2 ndarray及其基本操作
1.6 Python数据分析包——Pandas
1.6.1 Pandas简介
1.6.2 Series、DataFrame及其基本操作
1.6.3 Pandas和NumPy的异同
1.6.4 使用Pandas和NumPy实现数据的获取
1.7 Python科学计算包——SciPy
1.7.1 SciPy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
1.8 Python机器学习包——Scikit-Learn
1.8.1 Scikit-Learn简介
1.8.2 SVM分类
1.8.3 随机森林回归
1.8.4 K-means聚类
1.9 Python可视化包——Matplotlib
1.9.1 Matplotlib简介
1.9.2 Matplotlib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
2.1.4 Cuda张量与CPU张量
2.2 数据模块
2.2.1 Dataset简介及用法
2.2.2 DataLoader简介及用法
2.3 网络模块
2.3.1 torch.nn函数简介
2.3.2 torch.nn.Module构建类
2.3.3 类的使用
2.4 激活函数模块
2.4.1 Sigmoid函数
2.4.2 Tanh函数
2.4.3 ReLU函数
2.4.4 LeakyReLU函数
2.5 优化器模块
2.5.1 Optimizer的使用
2.5.2 常见优化器简介
2.6 训练和测试模块
2.6.1 model.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
2.7.2 EarlyStopping
2.8 可视化模块
2.8.1 TensorBoard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
3.1.2 NumPy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
3.2.2 LSTM简介
3.2.3 PyTorch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
3.3.3 PyTorch实现一维卷积神经网络时间序列预测
3.3.4 PyTorch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
3.4.2 NumPy实现图卷积神经网络
3.4.3 PyTorch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

……