由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
100%刮中券,最高50元无敌券,券有效期7天
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
智能交通大数据 综合交通数据科学技术及应用 周慧娟 张尊栋 刘小明 吴文祥 陈智 智能交通 大数据分析 深度学
¥ ×1
| |
商品名称: | 智能交通大数据:综合交通数据科学技术及应用 |
作 者: | 周慧娟等编著 |
市 场 价: | 69.00元 |
ISBN 号: | 978-7-111-76137-2 |
出版日期: | 2024年8月第1版第1次印刷 |
开 本: | 184mm×260mm ·11.25印张·265千字 |
出 版 社: | 机械工业出版社 |
前言 第1章 绪论 // 1 1.1 数据科学的发展历程与应用现状 // 1 1.2 综合交通领域研究方向及应用需求 // 2 1.3 综合交通数据科学技术 // 3 1.3.1 概述 // 3 1.3.2 内容 // 3 1.3.3 应用 // 4 1.4 本书简介 // 4 第2章 回归分析的原理、模型与实现 // 6 2.1 回归分析简介 // 6 2.2 简单线性回归 // 7 2.2.1 案例引入 // 7 2.2.2 基本概念 // 7 2.2.3 模型描述 // 8 2.2.4 参数估计 // 9 2.2.5 欠拟合与过拟合 // 13 2.2.6 多元线性回归 // 16 2.3 逻辑回归 // 20 2.3.1 案例引入 // 20 2.3.2 基本概念 // 21 2.3.3 模型描述 // 21 2.3.4 参数估计 // 23 2.4 非线性回归 // 27 2.4.1 多项式回归 // 27 2.4.2 幂函数回归 // 29 2.4.3 常见非线性回归模型 // 30 2.5 正则化回归方法 // 31 2.5.1 L2正则化:岭回归 // 32 2.5.2 L1正则化:LASSO回归 // 32 2.6 本章小结 // 34 第3章 聚类分析的原理、模型与实现 // 35 3.1 聚类概述 // 35 3.1.1 什么是聚类 // 35 3.1.2 聚类的要求 // 35 3.1.3 聚类的计算方法 // 36 3.1.4 聚类的应用 // 38 3.1.5 聚类效果评价指标 // 38 3.2 k-means聚类 // 40 3.2.1 k-means聚类原理 // 41 3.2.2 k-means聚类优缺点 // 42 3.2.3 k-means聚类调优和改进算法 // 43 3.3 层次聚类 // 44 3.3.1 层次聚类原理 // 45 3.3.2 层次聚类优缺点 // 46 3.3.3 凝聚的层次聚类方法 // 47 3.4 DBSCAN // 52 3.4.1 DBSCAN原理 // 53 3.4.2 DBSCAN关键参数 // 54 3.4.3 DBSCAN优缺点 // 56 3.5 其他聚类方法 // 57 3.5.1 GMM聚类 // 57 3.5.2 谱聚类 // 57 3.5.3 GMM聚类和谱聚类示例 // 58 3.6 算法对比 // 59 3.6.1 分类和聚类的区别 // 59 3.6.2 k-means聚类、DBSCAN、层次聚类对比 // 59 3.6.3 scikit-learn库中的聚类算法的比较 // 64 第4章 神经网络与深度学习 // 66 4.1 神经网络 // 66 4.1.1 人工神经网络 // 66 4.1.2 神经元 // 67 4.1.3 激活函数 // 67 4.1.4 神经网络的基本结构 // 71 4.1.5 前向传播与反向传播 // 72 4.2 深度强化学习 // 74 4.2.1 卷积运算 // 74 4.2.2 卷积神经网络 // 77 4.2.3 循环神经网络 // 83 4.3 案例分析 // 83 第5章 杭州地铁客流数据分析实践 // 90 5.1 数据统计 // 90 5.1.1 10分钟客流集计 // 90 5.1.2 站点5分钟粒度进站客流量 // 92 5.1.3 各个站点5分钟粒度下进站乘客平均乘车时间 // 94 5.1.4 早高峰进站人数 // 96 5.1.5 线路B早高峰进站客流可视化 // 98 5.1.6 乘客编号路径追踪 // 99 5.2 数据聚类 // 102 5.3 回归分析 // 110 第6章 北京地铁客流数据分析与客流预测 // 118 6.1 数据分析 // 118 6.1.1 数据介绍 // 118 6.1.2 数据处理 // 119 6.1.3 单线路1分钟时间粒度进出站客流量 // 121 6.1.4 单站一天内1分钟时间粒度下进站客流量 // 122 6.2 客流量预测 // 125 6.2.1 LSTM模型 // 125 6.2.2 CNN模型 // 128 6.2.3 结果分析 // 132 第7章 多模型共享单车骑行需求预测 // 134 7.1 数据说明及具体目标 // 134 7.2 实施流程 // 135 7.3 数据预处理 // 136 7.3.1 导入相关包 // 136 7.3.2 读取数据 // 137 7.3.3 日期数据处理及特征类别转换 // 138 7.3.4 异常值处理 // 138 7.3.5 可视化分析 // 139 7.4 模型建立与求解 // 150 7.4.1 准备数据 // 150 7.4.2 基本模型 // 150 7.4.3 模型融合 Stacking // 160 7.5 结果分析 // 160 7.5.1 各模型残差分析 // 160 7.5.2 预测结果分析 // 167 参考文献 // 169
|
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
非常抱歉,您前期未参加预订活动,
无法支付尾款哦!
抱歉,您暂无任性付资格