深度学习与交通大数据实战（大数据与人工智能技术丛书）

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。

(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。

近年来，人工智能、机器学习、深度学习等新兴技术飞速发展，在智慧交通领域掀起了一场新的技术革命，极大地促进了智慧交通学科的发展。作为计算机与交通的交叉学科，智慧交通学科旨在塑造集计算机编程技术和交通专业知识于一体的优秀复合型人才。本书以计算机编程知识简介为切入点，以交通大数据领域案例应用为落脚点，循序渐进，步步深入，为相关领域学习者提供了清晰翔实的学习路线和学习资料，有利于培养兼具计算机编程技术与交通专业知识的优秀复合型人才，有利于促进人工智能学科和智慧交通学科的不断发展，意义重大而深远。

本书主要内容

本书作为一本以案例实战应用为导向的书籍，非常适合具备一定数学基础和Python基础的读者学习。读者可以在短时间内学习并掌握本书介绍的所有算法以及深度学习在交通大数据领域内的应用流程。

作为一本关于深度学习与交通大数据的书籍，本书共有8章。

第1章为Python基础知识简介，包括Python数据类型、Python三大语句、Python的函数、类和对象、Python的文件读取和写入，在讲解Python的基本语法后，详细介绍了Python数组包NumPy、Python数据分析包Pandas、Python科学计算包SciPy、Python机器学习包ScikitLearn、Python可视化包Matplotlib五个交通数据处理过程最常用的Python工具包，每个工具包的简介均配备了多个实战小案例，以用带学，帮助读者更好地学习对应工具包的使用。

第2章为PyTorch基础知识简介，详细介绍了常用的张量模块、数据模块、网络模块、激活函数模块、优化器模块、训练和测试模块、模型保存与重载模块，以及可视化模块，每个模块均配备相应的代码对其使用方法的详细讲解，确保读者在后续学习人工智能建模时已经具备深厚的深度学习建模基础。

第3章为深度学习基础模型简介，从基本的反向传播算法，到循环神经网络、卷积神经网络和图卷积神经网络，每一节首先对模型原理进行简介，然后借助相应的实战案例来帮助读者加深对模型原理的理解。

第4~8章为全书主体部分，分别讲解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、私家车轨迹数据和空中交通运行数据案例实战，具体内容包括研究背景、研究现状、数据获取手段及开源数据集简介、数据预处理、基于PyTorch的案例建模。案例建模部分又对问题陈述及模型框架、数据准备、模型构建、模型训练及测试、结果展示进行了详细介绍。每一部分均附有完整的代码以及代码解释，带领读者了解从最初的数据获取到最终的结果展示，实现多个完整的应用案例，确保读者学完该案例能够对该领域有较为深刻的理解，建模技能有较为明显的提升。

本书第1~4章由北京交通大学张金雷博士完成； 第5章由奥尔堡大学缪浩博士完成； 第6章由国防科技大学金广垠博士完成； 第7章由湖南大学刘晨曦博士完成； 第8章由北京航空航天大学张明华博士完成。全书由北京交通大学张金雷博士、杨立兴教授、高自友教授、陈瑶、李华、章树鑫、杨咏杰校核。本书撰写过程得到北京交通大学轨道交通控制与安全国家重点实验室的支持。

本书特色

（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，涵盖百余个知识点案例、5个交通大数据完整项目案例。

（3） 案例过程完整，体系化介绍完整的深度学习与交通大数据项目案例。

（4） 代码清晰详尽，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。

配套资源

为便于教学，本书配有源代码、数据集、教学课件、教学大纲、教案、程序安装指导。

(1) 获取源代码和数据集以及需要彩色展示图片的方式： 先扫描本书封底的文泉云盘防盗码，再扫描下方二维码，即可获取。

源代码和数据集

彩色图片

(2) 其他配套资源可以扫描本书封底的“书圈”二维码，回复本书的书号即可下载。

读者对象

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。

本书作者在编写过程中，参考了诸多相关资料，得到了各位编委的大力支持，在此对相关资料的作者和各位编委表示衷心的感谢。

限于个人水平和时间仓促，书中难免存在疏漏之处，欢迎广大读者批评指正。

作者

2022年3月

第1章Python基础知识简介

1.1Python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

1.2Python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

1.3Python的函数、类和对象

1.3.1函数

1.3.2类和对象

1.4Python的文件读取和写入

1.4.1Python内置读取写入方式

1.4.2NumPy读取和写入

1.4.3Pandas读取和写入

1.5Python数组包——NumPy

1.5.1NumPy简介

1.5.2ndarray及其基本操作

1.6Python数据分析包——Pandas

1.6.1Pandas简介

1.6.2Series、DataFrame及其基本操作

1.6.3Pandas和NumPy的异同

1.6.4使用Pandas和NumPy实现数据的获取

1.7Python科学计算包——SciPy

1.7.1SciPy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

1.8Python机器学习包——ScikitLearn

1.8.1ScikitLearn简介

1.8.2SVM分类

1.8.3随机森林回归

1.8.4Kmeans聚类

1.9Python可视化包——Matplotlib

1.9.1Matplotlib简介

1.9.2Matplotlib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

2.1.4Cuda张量与CPU张量

2.2数据模块

2.2.1Dataset简介及用法

2.2.2DataLoader简介及用法

2.3网络模块

2.3.1torch.nn函数简介

2.3.2torch.nn.Module构建类

2.3.3类的使用

2.4激活函数模块

2.4.1Sigmoid函数

2.4.2Tanh函数

2.4.3ReLU函数

2.4.4LeakyReLU函数

2.5优化器模块

2.5.1Optimizer的使用

2.5.2常见优化器简介

2.6训练和测试模块

2.6.1model.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

2.7.2EarlyStopping

2.8可视化模块

2.8.1TensorBoard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

3.1.2NumPy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

3.2.2LSTM简介

3.2.3PyTorch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

3.3.3PyTorch实现一维卷积神经网络时间序列预测

3.3.4PyTorch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

3.4.2NumPy实现图卷积神经网络

3.4.3PyTorch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

5.3数据获取手段及开源数据集简介

5.4数据预处理及可视化

5.5基于PyTorch的共享单车数据建模

5.5.1问题陈述及模型框架

5.5.2数据准备

5.5.3模型构建

5.5.4模型训练及测试

5.5.5结果展示

5.6本章小结

第6章基于深度学习的出租车轨迹数据案例实战

6.1研究背景

6.2研究现状

6.2.1基于深度学习的短时流量/载客需求/OD需求预测

6.2.2基于深度学习的轨迹出行时间估计

6.2.3基于深度强化学习的出租车派单优化

6.3数据获取手段及开源数据集简介

6.4数据预处理

6.5基于PyTorch的出租车轨迹数据建模

6.5.1问题陈述及模型框架

6.5.2数据准备

6.5.3模型构建

6.5.4模型训练及测试

6.5.5结果展示

6.6本章小结

第7章基于深度学习的私家车轨迹数据案例实战

7.1研究背景

7.2研究现状

7.2.1轨迹预处理

7.2.2出行模式分析

7.2.3时空流量预测

7.2.4轨迹预测

7.2.5社交关系推断

7.3数据获取手段及开源数据集简介

7.4数据预处理

7.5基于PyTorch的私家车轨迹数据建模

7.5.1问题陈述及模型框架

7.5.2数据准备

7.5.3数据建模

7.5.4模型训练及结果展示

7.6本章小结

第8章基于深度学习的空中交通运行数据案例实战

8.1研究背景

8.2研究现状

8.2.1基于深度学习的空中交通流量预测

8.2.2基于深度学习的四维航迹预测

8.2.3基于机器学习的空中交通复杂性评估

8.2.4基于强化学习的空中交通优化控制

8.3数据获取手段及开源数据集简介

8.4数据预处理

8.5基于PyTorch的空中交通数据建模

8.5.1问题描述及模型框架

8.5.2数据准备

8.5.3模型构建

8.5.4模型训练、测试及评价

8.5.5结果展示

8.6本章小结

参考文献