幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

基於人工智慧的城市軌道交通短時客流預測(精)

  • 作者：張金雷//楊立興//高自友|責編:陳凱仁
  • 出版社：清華大學
  • ISBN：9787302627579
  • 出版日期：2023/05/01
  • 裝幀：精裝
  • 頁數：261
人民幣：RMB 89 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書以作者及其團隊多年來研究的城市軌道交通短時客流預測基礎理論和演算法為基礎，深入細緻地闡述了城市軌道交通短時客流預測面臨的一系列數據、模型、管理需求等問題，提出了相關的機器學習和深度學習模型與演算法，是作者及團隊近年來一系列研究成果的體現。本書主要內容包括城市軌道交通常態與非常態場景下車站級和網路級短時進站流預測、短時OD流預測、短時斷面流預測、以軌道交通為骨幹的多模式交通短時客流預測、基於電腦視覺的軌道交通站內關鍵設施處短時客流預測。
    本書主要面向從事城市軌道交通運營管理的科研人員，廣大從事交通大數據分析、機器學習或深度學習的專業人員，從事高等教學的相關教師，高等院校的在讀學生及相關領域的廣大科研人員，可作為各高等院校交通運輸、交通工程等專業的本科生和研究生教材。
作者介紹
張金雷//楊立興//高自友|責編:陳凱仁
目錄
第1章  緒論
  1.1  研究背景及意義
  1.2  相關概念
  1.3  面臨的問題
  1.4  本書研究內容
第2章  城市軌道交通車站級常態短時進站流預測
  2.1  概述
  2.2  客流空間特徵挖掘
    2.2.1  基於兩步K-means演算法的車站聚類
    2.2.2  基於車站類別的客流特徵分析
  2.3  客流時間特徵挖掘
    2.3.1  客流時間序列相似性度量
    2.3.2  客流時間序列平穩性檢驗
    2.3.3  客流時間序列可預測性評估及分析
  2.4  基於聚類和LSTM的車站級短時進站流預測
    2.4.1  問題及數據簡介
    2.4.2  基於聚類的LSTM模型
    2.4.3  模型配置
    2.4.4  預測結果分析
  2.5  基於元學習的新開車站或線路短時進站流預測
    2.5.1  問題及數據簡介
    2.5.2  基於元學習的LSTM模型
    2.5.3  模型配置
    2.5.4  預測結果分析
  2.6  小結
  參考文獻
第3章  城市軌道交通網路級常態短時進站流預測
  3.1  概述
    3.1.1  基於循環神經網路的模型
    3.1.2  基於卷積神經網路的模型
    3.1.3  基於圖卷積神經網路的模型
    3.1.4  基於深度學習框架的模型
  3.2  基於ResLSTM的網路級短時進站流預測
    3.2.1  問題及數據簡介
    3.2.2  ResLSTM模型
    3.2.3  模型配置
    3.2.4  預測結果分析
  3.3  基於Conv-GCN的網路級短時進站流預測
    3.3.1  問題及數據簡介
    3.3.2  Conv-GCN模型
    3.3.3  模型配置
    3.3.4  預測結果分析
  3.4  基於Graph-GAN的網路級短時進站流預測
    3.4.1  問題及數據簡介
    3.4.2  Graph-GAN模型
    3.4.3  模型配置
    3.4.4  預測結果分析
  3.5  小結
  參考文獻
第4章  城市軌道交通車站級與網路級非常態短時進站流預測

  4.1  概述
  4.2  基於Grapb-Transformer的節假日短時進站流預測
    4.2.1  問題及數據簡介
    4.2.2  Graph-Transformer模型
    4.2.3  模型配置
    4.2.4  預測結果分析
  4.3  基於ST-former的疫情期間短時進站流預測
    4.3.1  問題及數據簡介
    4.3.2  ST-former模型
    4.3.3  模型配置
    4.3.4  預測結果分析
  4.4  基於ST-BiLSTM-Attention的大型活動期間短時進站流預測
    4.4.1  問題及數據簡介
    4.4.2  大型活動期間的客流數據分析
    4.4.3  ST-BiLSTM-Attention模型
    4.4.4  模型配置
    4.4.5  預測結果分析
  4.5  小結
  參考文獻
第5章  城市軌道交通車站級與網路級短時OD流預測
  5.1  概述
  5.2  基於LSTM的車站級短時OD流預測
    5.2.1  問題及數據簡介
    5.2.2  模型配置
    5.2.3  預測結果分析
  5.3  基於CAS-CNN的網路級短時OD流預測
    5.3.1  問題及數據簡介
    5.3.2  CAS-CNN模型
    5.3.3  模型配置
    5.3.4  預測結果分析
  5.4  小結
  參考文獻
第6章  城市軌道交通網路級短時斷面流預測
  6.1  概述
  6.2  問題及數據簡介
    6.2.1  問題分析
    6.2.2  網路表示及虛擬數據簡介
    6.2.3  真實數據簡介
    6.2.4  本章符號表示
  6.3  計算圖模型簡介
  6.4  基於計算圖的車站等車時間與鏈路行程時間估計
    6.4.1  路徑選擇建模
    6.4.2  k短路搜索以及有效路徑選擇
    6.4.3  數學優化模型構建
    6.4.4  優化模型向量化
    6.4.5  計算圖模型建模
  6.5  客流分配及短時斷面流預測
    6.5.1  智能體模擬生成斷面客流量
    6.5.2  虛擬地鐵網路案例研究
    6.5.3  北京真實地鐵網路案例研究

  6.6  小結
  參考文獻
第7章  以軌道交通為骨幹的多模式交通短時客流預測
  7.1  概述
  7.2  基於Res-Transformer的區域級多模式交通短時客流預測
    7.2.1  問題及數據簡介
    7.2.2  Res-Transformer模型
    7.2.3  模型配置
    7.2.4  預測結果分析
  7.3  基於Res-lnformer的網路級多模式交通短時客流預測
    7.3.1  問題及數據簡介
    7.3.2  Res-Informer模型
    7.3.3  模型配置
    7.3.4  預測結果分析
  7.4  小結
  參考文獻
第8章  基於電腦視覺的城市軌道交通站內短時客流預測
  8.1  概述
    8.1.1  目標檢測
    8.1.2  目標跟蹤
    8.1.3  短時客流預測
  8.2  問題及數據簡介
    8.2.1  問題分析
    8.2.2  問題定義
    8.2.3  數據簡介
  8.3  模型簡介
    8.3.1  客流識別演算法與客流預測演算法
    8.3.2  Detect-Predict模型
  8.4  實驗及分析
    8.4.1  客流識別實時性實驗
    8.4.2  乘客數量統計以及客流時間序列提取演算法
    8.4.3  精細化短時客流預測
  8.5  小結
  參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032