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

面向交通研究與應用的機器學習技術

  • 作者：王印海//崔志勇//柯銳岷//張凱|責編:孫亞楠
  • 出版社：清華大學
  • ISBN：9787302718604
  • 出版日期：2026/06/01
  • 裝幀：平裝
  • 頁數：243
人民幣：RMB 79 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書系統地介紹了機器學習技術在交通領域的原理、方法與實際應用，為讀者提供全面的知識和實用的指導。介紹了經典機器學習方法與前沿深度學習方法，包括監督學習、無監督學習、強化學習等，並解析其在交通領域的具體應用。同時，從綜合性的角度介紹機器學習在交通領域的多個方面的應用，包括交通流預測、路況評估、交通信號優化、智能駕駛、交通事故預防等，以全面展示機器學習技術在交通領域的多樣應用場景。還探討了機器學習在交通領域的前沿發展趨勢，如邊緣計算、人工智慧與智能交通的結合等，幫助讀者把握未來交通領域中機器學習技術的發展方向。
    本書可供交通領域高校師生和科研院所研究人員及相關技術人員閱讀參考。
作者介紹
王印海//崔志勇//柯銳岷//張凱|責編:孫亞楠
目錄
第1章  引言
  1.1  背景
    1.1.1  交通運輸的重要性
    1.1.2  研究動機
  1.2  機器學習在交通研究和應用中前景廣闊
    1.2.1  機器學習發展簡述
    1.2.2  交通研究與應用中的機器學習
  1.3  本書架構
第2章  交通數據與感測
  2.1  數據量激增
  2.2  ITS數據需求
  2.3  基礎設施導向型數據與感測技術
    2.3.1  交通流量監測
    2.3.2  旅行時間估算
    2.3.3  交通異常識別
    2.3.4  車輛停放監測
  2.4  車載數據與感知技術
    2.4.1  交通臨近碰撞檢測
    2.4.2  道路使用者行為監測
    2.4.3  路面及車道識別技術研究
    2.4.4  語義分割技術
  2.5  利用航空遙感技術獲取地面交通數據
    2.5.1  道路交通參與者的檢測與追蹤
    2.5.2  高級航空遙感技術
    2.5.3  利用無人機技術進行基礎設施數據採集
  2.6  ITS數據質量控制與數據融合技術研究
  2.7  交通數據傳輸與感知技術的挑戰
    2.7.1  異質性
    2.7.2  感測器故障的高風險概率
    2.7.3  極端條件下的感測機制
    2.7.4  隱私保護
  2.8  練習
第3章  機器學習基礎
  3.1  機器學習分類
    3.1.1  監督學習v.s.無監督學習
    3.1.2  生成式與判別式演算法
    3.1.3  參數化與非參數化建模
  3.2  監督學習
    3.2.1  線性回歸
    3.2.2  邏輯回歸
  3.3  無監督學習
    3.3.1  主成分分析
    3.3.2  聚類
  3.4  機器學習中的關鍵概念
    3.4.1  損失函數
    3.4.2  正則化
    3.4.3  梯度下降v.s.梯度上升
    3.4.4  K-折交叉驗證
  3.5  練習
第4章  全連接神經網路

  4.1  線性回歸
  4.2  深度神經網路基礎
    4.2.1  感知器
    4.2.2  隱藏層
    4.2.3  激活函數
    4.2.4  損失函數
    4.2.5  反向傳播
    4.2.6  驗證數據集
    4.2.7  欠擬合或過擬合
  4.3  交通應用
    4.3.1  交通預測
    4.3.2  交通標誌圖像分類
  4.4  練習
第5章  卷積神經網路
  5.1  學習預期
  5.2  卷積神經網路基本原理
    5.2.1  從全連接層到卷積
    5.2.2  卷積
    5.2.3  架構
    5.2.4  AlexNet
  5.3  案例研究1：交通監控視頻感知技術
  5.4  案例研究2：時空交通模式學習
  5.5  案例研究3：用於數據插補的CNN
    5.5.1  基於CNN的數據插補方法
    5.5.2  實驗
  5.6  練習
第6章  循環神經網路
  6.1  RNN基礎
  6.2  RNN變體及相關架構
    6.2.1  長短期記憶和門控循環單元
    6.2.2  雙向RNN
    6.2.3  序列到序列
  6.3  RNN作為交通應用的基礎構建塊
    6.3.1  用於道路交通預測的RNN
    6.3.2  缺失值下的交通預測
  6.4  練習
    6.4.1  問題
    6.4.2  項目：使用LSTM預測西雅圖地區的全網交通
第7章  強化學習
  7.1  強化學習設置
    7.1.1  馬爾可夫性質
    7.1.2  強化學習的目標
    7.1.3  強化學習中的類別和術語
  7.2  基於價值的方法
    7.2.1  Q-learning
    7.2.2  深度Q網路
    7.2.3  雙DQN
  7.3  深度強化學習中的策略梯度方法
    7.3.1  隨機策略梯度
    7.3.2  確定性策略梯度

  7.4  結合策略梯度和Q學習的方法
  7.5  案例研究1：交通信號控制
  7.6  案例研究2：車輛跟隨控制
    7.6.1  代理公式化
    7.6.2  模型和模擬設置
  7.7  案例研究3：公交車聚堆控制
  7.8  練習
第8章  遷移學習
  8.1  什麼是遷移學習
  8.2  為什麼使用遷移學習
  8.3  定義
  8.4  遷移學習步驟
  8.5  遷移學習類型
    8.5.1  域適應
    8.5.2  多任務學習
    8.5.3  零樣本學習
    8.5.4  少樣本學習
  8.6  案例研究1：通過遷移學習增強車輛檢測性能
  8.7  案例研究2：基於屬性表示學習的停車信息管理與預測系統
    8.7.1  背景
    8.7.2  方法
    8.7.3  結果
  8.8  案例研究3：夜間交通檢測的遷移學習
  8.9  案例研究4：從模擬到現實世界的駕駛行為識別知識轉移
  8.10  練習
    8.10.1  遷移學習的基本概念
    8.10.2  遷移學習在交通領域的應用
    8.10.3  遷移學習的挑戰與優化
    8.10.4  計算練習
第9章  圖神經網路
  9.1  基礎知識
  9.2  圖神經網路
    9.2.1  頻譜GNN
    9.2.2  空間GNN
    9.2.3  基於注意力的GNN
  9.3  案例研究1：交通圖卷積網路用於交通預測
    9.3.1  問題定義
    9.3.2  方法：交通圖卷積LSTM
    9.3.3  結果
  9.4  案例研究2：帶有缺失值的交通預測的圖神經網路
    9.4.1  問題定義
    9.4.2  方法：圖馬爾可夫網路
    9.4.3  結果
  9.5  案例研究3：用於車輛關鍵點校正的圖神經網路
    9.5.1  問題定義
    9.5.2  方法：用於關鍵點校正的圖神經網路
    9.5.3  結果
  9.6  練習
第10章  生成對抗網路
  10.1  生成對抗網路

    10.1.1  二分類
    10.1.2  二分類的原始GAN公式
    10.1.3  目標（損失）函數
    10.1.4  優化演算法
  10.2  基於GAN的道路交通狀況評估
    10.2.1  問題構建
    10.2.2  基於GAN的時空交通狀態估計架構
    10.2.3  結果
  10.3  案例研究1：基於GAN的計程車熱點區域預測
    10.3.1  問題建模
    10.3.2  模型：基於LSTM-CGAN的熱點預測
    10.3.3  結果
  10.4  案例研究2：基於GAN的路面圖像數據傳輸
    10.4.1  問題建模
    10.4.2  模型：基於CycleGAN的圖像風格遷移
    10.4.3  結果
  10.5  練習
第11章  邊緣和並行人工智慧
  11.1  邊緣計算概念
  11.2  邊緣人工智慧
  11.3  並行人工智慧
  11.4  聯邦學習概念
  11.5  聯邦學習方法
    11.5.1  水平聯邦學習
    11.5.2  垂直聯邦學習
  11.6  案例研究1：多任務交通監控中的並行和邊緣人工智慧
    11.6.1  動機
    11.6.2  並行邊緣計算系統架構
  11.7  案例研究2：邊緣人工智慧在車輛近撞檢測中的應用
    11.7.1  動機
    11.7.2  攝像頭視角下的近撞相對運動模式
    11.7.3  邊緣計算系統架構
    11.7.4  無需相機參數的近撞檢測演算法
    11.7.5  高度或寬度
    11.7.6  用於識別水平運動模式的邊界框中心建模
    11.7.7  實驗結果
  11.8  案例研究3：車輛軌跡預測的聯邦學習
    11.8.1  動機
    11.8.2  方法論
    11.8.3  結果
  11.9  練習
    11.9.1  聯邦學習與邊緣計算的基本概念
    11.9.2  聯邦學習與邊緣計算在智能交通中的應用
    11.9.3  邊緣AI的優化與安全性
第12章  基於深度學習的短時交通流預測
  12.1  基於GCN方法的交通流空間特徵提取
    12.1.1  交通流的空間特徵
    12.1.2  基於GCN方法的交通流空間特徵提取的實例驗證
  12.2  基於LSTM方法的交通流時間特徵提取
    12.2.1  交通流的時域特徵

    12.2.2  基於LSTM方法的交通流時間特徵提取的實例驗證
  12.3  基於GCN與LSTM混合模型的交通流時空預測
    12.3.1  交通流時空特徵提取
    12.3.2  交通流時空預測問題描述
    12.3.3  LSTGCN模型搭建
    12.3.4  實例驗證
    12.3.5  結果分析
第13章  基於視頻理解的語義圖像序列定位演算法
  13.1  多感測器數據採集硬體演算法與預處理
    13.1.1  系統整體架構
    13.1.2  車載系統整體架構
  13.2  數據集和評價指標
    13.2.1  官方基準數據集
……
第14章  基於特徵的圖像匹配演算法研究及應用
第15章  基於多攝像頭的車輛檢測跟蹤定位
第16章  未來的發展方向
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