正版
面向交通研究与应用的机器学习技术
- 书名
- 面向交通研究与应用的机器学习技术
- 作者
- 王印海 等 著
- 出版社
- 清华大学出版社
- 出版时间
- 2026-06-01
- ISBN
- 9787302718604
- 货号
- 1204444110
- 品相
- 全新
- 分类
- 当代·工业
- 书名
- 面向交通研究与应用的机器学习技术
- 作者
- 王印海 等 著
- 出版社
- 清华大学出版社
- 出版时间
- 2026-06-01
- ISBN
- 9787302718604
- 货号
- 1204444110
- 品相
- 全新
- 分类
- 当代·工业
作者简介▼
王印海 华盛顿大学交通工程学教授,华盛顿大学智能交通应用和研究实验室(STAR Lab)创始主任,研究领域包括交通感知、交通电子科学、大数据分析、智能城市出行、交通安全等。
目录▼
第1章引言1
1.1背景1
1.1.1交通运输的重要性1
1.1.2研究动机2
1.2机器学习在交通研究和应用中前景广阔2
1.2.1机器学习发展简述2
1.2.2交通研究与应用中的机器学习3
1.3本书架构4
第2章交通数据与传感6
2.1数据量激增6
2.2ITS数据需求6
2.3基础设施导向型数据与传感技术7
2.3.1交通流量监测7
2.3.2旅行时间估算8
2.3.3交通异常识别8
2.3.4车辆停放监测9
2.4车载数据与感知技术10
2.4.1交通临近碰撞检测10
2.4.2道路使用者行为监测11
2.4.3路面及车道识别技术研究11
2.4.4语义分割技术12
2.5利用航空遥感技术获取地面交通数据12
2.5.1道路交通参与者的检测与追踪13
2.5.2高级航空遥感技术13
2.5.3利用无人机技术进行基础设施数据采集14
2.6ITS数据质量控制与数据融合技术研究14
2.7交通数据传输与感知技术的挑战15
2.7.1异质性15
2.7.2传感器故障的高风险概率16
2.7.3极端条件下的传感机制17
2.7.4隐私保护17
2.8练习18
第3章机器学习基础19
3.1机器学习分类19
3.1.1监督学习v.s.无监督学习19
3.1.2生成式与判别式算法20
3.1.3参数化与非参数化建模20
3.2监督学习21
3.2.1线性回归21
3.2.2逻辑回归25
3.3无监督学习27
3.3.1主成分分析27
3.3.2聚类27
3.4机器学习中的关键概念28
3.4.1损失函数28
3.4.2正则化28
3.4.3梯度下降v.s.梯度上升29
3.4.4K-折交叉验证29
3.5练习30
第4章全连接神经网络32
4.1线性回归32
4.2深度神经网络基础33
4.2.1感知器33
4.2.2隐藏层34
4.2.3激活函数35
4.2.4损失函数36
4.2.5反向传播36
4.2.6验证数据集39
4.2.7欠拟合或过拟合40
4.3交通应用40
4.3.1交通预测40
4.3.2交通标志图像分类41
4.4练习42
第5章卷积神经网络44
5.1学习预期44
5.2卷积神经网络基本原理44
5.2.1从全连接层到卷积44
5.2.2卷积45
5.2.3架构46
5.2.4AlexNet48
5.3案例研究1:交通监控视频感知技术48
5.4案例研究2:时空交通模式学习50
5.5案例研究3:用于数据插补的CNN54
5.5.1基于CNN的数据插补方法55
5.5.2实验57
5.6练习62
第6章循环神经网络64
6.1RNN基础64
6.2RNN变体及相关架构65
6.2.1长短期记忆和门控循环单元65
6.2.2双向RNN67
6.2.3序列到序列68
6.3RNN作为交通应用的基础构建块68
6.3.1用于道路交通预测的RNN68
6.3.2缺失值下的交通预测70
6.4练习72
6.4.1问题72
6.4.2项目:使用LSTM预测西雅图地区的全网交通73
第7章强化学习75
7.1强化学习设置75
7.1.1马尔可夫性质76
7.1.2强化学习的目标76
7.1.3强化学习中的类别和术语77
7.2基于价值的方法79
7.2.1Q-learning80
7.2.2深度Q网络81
7.2.3双DQN81
7.3深度强化学习中的策略梯度方法82
7.3.1随机策略梯度82
7.3.2确定性策略梯度83
7.4结合策略梯度和Q学习的方法84
7.5案例研究1:交通信号控制85
7.6案例研究2:车辆跟随控制86
7.6.1代理公式化88
7.6.2模型和仿真设置88
7.7案例研究3:公交车聚堆控制89
7.8练习91
第8章迁移学习93
8.1什么是迁移学习93
8.2为什么使用迁移学习93
8.3定义94
8.4迁移学习步骤94
8.5迁移学习类型95
8.5.1域适应95
8.5.2多任务学习95
8.5.3零样本学习95
8.5.4少样本学习96
8.6案例研究1:通过迁移学习增强车辆检测性能97
8.7案例研究2:基于属性表示学习的停车信息管理与预测系统98
8.7.1背景98
8.7.2方法99
8.7.3结果104
8.8案例研究3:夜间交通检测的迁移学习105
8.9案例研究4:从模拟到现实世界的驾驶行为识别知识转移107
8.10练习109
8.10.1迁移学习的基本概念109
8.10.2迁移学习在交通领域的应用109
8.10.3迁移学习的挑战与优化109
8.10.4计算练习110
第9章图神经网络111
9.1基础知识111
9.2图神经网络111
9.2.1频谱GNN111
9.2.2空间GNN113
9.2.3基于注意力的GNN113
9.3案例研究1:交通图卷积网络用于交通预测114
9.3.1问题定义114
9.3.2方法:交通图卷积LSTM116
9.3.3结果117
9.4案例研究2:带有缺失值的交通预测的图神经网络119
9.4.1问题定义119
9.4.2方法:图马尔可夫网络122
9.4.3结果123
9.5案例研究3:用于车辆关键点校正的图神经网络125
9.5.1问题定义125
9.5.2方法:用于关键点校正的图神经网络126
9.5.3结果127
9.6练习128
第10章生成对抗网络130
10.1生成对抗网络130
10.1.1二分类130
10.1.2二分类的原始GAN公式131
10.1.3目标(损失)函数132
10.1.4优化算法133
10.2基于GAN的道路交通状况评估134
10.2.1问题构建135
10.2.2基于GAN的时空交通状态估计架构135
10.2.3结果137
10.3案例研究1:基于GAN的出租车热点区域预测138
10.3.1问题建模138
10.3.2模型:基于LSTM-CGAN的热点预测138
10.3.3结果140
10.4案例研究2:基于GAN的路面图像数据传输141
10.4.1问题建模141
10.4.2模型:基于CycleGAN的图像风格迁移141
10.4.3结果143
10.5练习143
第11章边缘和并行人工智能145
11.1边缘计算概念145
11.2边缘人工智能145
11.3并行人工智能146
11.4联邦学习概念146
11.5联邦学习方法147
11.5.1水平联邦学习147
11.5.2垂直联邦学习147
11.6案例研究1:多任务交通监控中的并行和边缘人工智能148
11.6.1动机148
11.6.2并行边缘计算系统架构148
11.7案例研究2:边缘人工智能在车辆近撞检测中的应用151
11.7.1动机151
11.7.2摄像头视角下的近撞相对运动模式152
11.7.3边缘计算系统架构153
11.7.4无需相机参数的近撞检测算法154
11.7.5高度或宽度155
11.7.6用于识别水平运动模式的边界框中心建模155
11.7.7实验结果156
11.8案例研究3:车辆轨迹预测的联邦学习159
11.8.1动机159
11.8.2方法论160
11.8.3结果164
11.9练习165
11.9.1联邦学习与边缘计算的基本概念165
11.9.2联邦学习与边缘计算在智能交通中的应用165
11.9.3边缘AI的优化与安全性166
第12章基于深度学习的短时交通流预测167
12.1基于GCN方法的交通流空间特征提取167
12.1.1交通流的空间特征167
12.1.2基于GCN方法的交通流空间特征提取的实例验证168
12.2基于LSTM方法的交通流时间特征提取169
12.2.1交通流的时域特征169
12.2.2基于LSTM方法的交通流时间特征提取的实例验证170
12.3基于GCN与LSTM混合模型的交通流时空预测172
12.3.1交通流时空特征提取172
12.3.2交通流时空预测问题描述173
12.3.3LSTGCN模型搭建174
12.3.4实例验证176
12.3.5结果分析178
第13章基于视频理解的语义图像序列定位算法180
13.1多传感器数据采集硬件算法与预处理180
13.1.1系统整体架构180
13.1.2车载系统整体架构181
13.2数据集和评价指标182
13.2.1官方基准数据集182
13.2.2深圳大学城数据集182
13.3基于传统视频特征与深度学习结合的街景图像序列定位算法183
13.3.1传统视频特征183
13.3.2基于匹配、聚类的图像定位算法183
13.3.3基于运动轨迹特征的图像定位算法184
13.3.4基于时序位置编码和统计特征的图像定位算法184
13.3.5图像定位算法构建186
13.4基于2D卷积时空特征融合的图像序列定位算法186
13.4.1基于微调的2D卷积神经网络和SVM的基线模型187
13.4.2基于深度和光流的2D卷积神经网络图像定位算法188
13.4.3基于3D卷积时空特征融合的图像序列定位算法190
13.4.4实验验证191
13.5基于注意力机制时空特征融合的图像序列定位算法192
13.5.1基于ViT架构的基线模型192
13.5.2基于关联时空注意力机制的图像定位算法193
13.5.3基于重排对齐和时空分离注意力机制的图像定位算法193
13.5.4实验验证194
第14章基于特征的图像匹配算法研究及应用197
14.1基于特征的图像匹配算法的研究意义197
14.2特征点提取及描述方法197
14.2.1引言197
14.2.2SIFT特征提取198
14.2.3SuperPoint特征提取199
14.2.4ASLFeat特征提取199
14.2.5各方法对比200
14.3基于稀疏图结构的特征匹配方法202
14.3.1引言202
14.3.2特征匹配问题定义202
14.3.3基于稀疏图结构的匹配方法202
14.3.4稀疏图结构的构建原理203
14.4基于层次化稀疏图神经网络的特征匹配算法设计205
14.4.1引言205
14.4.2算法的部署与训练205
14.5实验设置与分析206
14.5.1引言206
14.5.2基线方法207
14.5.3图像匹配实验207
14.5.4位姿估计实验208
第15章基于多摄像头的车辆检测跟踪定位209
15.1单摄像头车辆检测跟踪定位算法209
15.1.1整体框架209
15.1.2车辆信息获取210
15.1.3车辆和车牌号码跟踪212
15.2多摄像头车辆检测跟踪定位算法214
15.2.1整体框架214
15.2.2轨迹匹配215
15.3实验结果与分析217
15.3.1单摄像头实验217
15.3.2多摄像头实验226
第16章未来的发展方向228
16.1深度学习技术在交通领域的未来趋势228
16.2人工智能交通的未来229
16.3本书拓展和未来规划230
参考文献231
文摘▼
本书系统地介绍了机器学习技术在交通领域的原理、方法与实际应用,为读者提供全面的知识和实用的指导。介绍了经典机器学习方法与前沿深度学习方法,包括监督学习、无监督学习、强化学习等,并解析其在交通领域的具体应用。同时,从综合性的角度介绍机器学习在交通领域的多个方面的应用,包括交通流预测、路况评估、交通信号优化、智能驾驶、交通事故预防等,以全面展示机器学习技术在交通领域的多样应用场景。还探讨了机器学习在交通领域的前沿发展趋势,如边缘计算、人工智能与智能交通的结合等,帮助读者把握未来交通领域中机器学习技术的发展方向。
本书可供交通领域高校师生和科研院所研究人员及相关技术人员阅读参考。



![运输经济学(第二版)[2/18]](https://mw.tushu.cloud/source/mingwen/cloud/20261025/3BIBhBRK.png)

