第1章 緒論
1.1 研究背景與意義
1.2 交通大數(shù)據(jù)挖掘國(guó)內(nèi)外研究現(xiàn)狀
1.2.1 常態(tài)分析研究
1.2.2 非常態(tài)分析研究
1.2.3 預(yù)測(cè)分析研究
1.3 并行化處理國(guó)內(nèi)外研究現(xiàn)狀
1.3.1 并行化處理的3種策略
1.3.2 大數(shù)據(jù)處理的并行化
1.3.3 機(jī)器學(xué)習(xí)的并行化
1.4 發(fā)展趨勢(shì)
1.4.1 平臺(tái)化
1.4.2 高性能
1.4.3 未雨綢繆
1.5 本書(shū)主要內(nèi)容
第2章 交通大數(shù)據(jù)特征與分類(lèi)
2.1 引言
2.2 大數(shù)據(jù)特征
2.2.1 大數(shù)據(jù)定義
2.2.2 大數(shù)據(jù)的5V特征
2.2.3 大數(shù)據(jù)體系架構(gòu)
2.3 交通大數(shù)據(jù)
2.3.1 交通數(shù)據(jù)采集方式
2.3.2 交通大數(shù)據(jù)特征
2.4 交通大數(shù)據(jù)分類(lèi)
2.4.1 按應(yīng)用場(chǎng)景分類(lèi)
2.4.2 按數(shù)據(jù)類(lèi)型分類(lèi)
2.5 本章小結(jié)
第3章 基于結(jié)構(gòu)化數(shù)據(jù)的流量預(yù)測(cè)方法
3.1 引言
3.1.1 車(chē)流量預(yù)測(cè)研究現(xiàn)狀
3.1.2 公交客流量預(yù)測(cè)研究現(xiàn)狀
3.2 基于SVM算法的公交客流量預(yù)測(cè)
3.2.1 基于SVM算法的公交客流量預(yù)測(cè)方法
3.2.2 數(shù)據(jù)采集及預(yù)處理
3.2.3 相關(guān)算法
3.2.4 模型設(shè)計(jì)
3.2.5 實(shí)驗(yàn)分析
3.3 基于KNN算法的高速公路流量預(yù)測(cè)
3.3.1 基于KNN算法的高速公路流量預(yù)測(cè)方法
3.3.2 數(shù)據(jù)采集及預(yù)處理
3.3.3 相關(guān)算法
3.3.4 模型設(shè)計(jì)
3.3.5 實(shí)驗(yàn)分析
3.4 基于XGBoost算法的高速公路流量預(yù)測(cè)
3.4.1 基于XGBoost算法的高速公路流量預(yù)測(cè)方法
3.4.2 數(shù)據(jù)采集及預(yù)處理
3.4.3 相關(guān)算法
3.4.4 模型設(shè)計(jì)
3.4.5 實(shí)驗(yàn)分析
3.5 基于RVM算法的車(chē)流量預(yù)測(cè)
3.5.1 基于RVM算法的車(chē)流量預(yù)測(cè)方法
3.5.2 數(shù)據(jù)采集及預(yù)處理
3.5.3 相關(guān)算法
3.5.4 模型設(shè)計(jì)
3.5.5 實(shí)驗(yàn)分析
3.6 本章小結(jié)
第4章 基于結(jié)構(gòu)化數(shù)據(jù)的擁堵預(yù)測(cè)方法
4.1 引言
4.2 基于GBDT算法的擁堵預(yù)測(cè)
4.2.1 基于GBDT算法的擁堵預(yù)測(cè)方法
4.2.2 數(shù)據(jù)采集及預(yù)處理
4.2.3 相關(guān)算法
4.2.4 模型設(shè)計(jì)
4.2.5 實(shí)驗(yàn)分析
4.3 基于RF算法的擁堵預(yù)測(cè)
4.3.1 基于RF算法的擁堵預(yù)測(cè)方法
4.3.2 數(shù)據(jù)采集及預(yù)處理
4.3.3 相關(guān)算法
4.3.4 模型設(shè)計(jì)
4.3.5 實(shí)驗(yàn)分析
4.4 基于模糊綜合評(píng)價(jià)法的擁堵預(yù)測(cè)
4.4.1 基于模糊綜合評(píng)價(jià)法的擁堵預(yù)測(cè)方法
4.4.2 數(shù)據(jù)分析
4.4.3 相關(guān)算法
4.4.4 基于多指標(biāo)評(píng)價(jià)的擁堵預(yù)測(cè)
4.4.5 實(shí)驗(yàn)分析
4.5 本章小結(jié)
第5章 基于結(jié)構(gòu)化數(shù)據(jù)的熱點(diǎn)分析方法
5.1 引言
5.2 文本數(shù)據(jù)處理流程
5.3 基于k-means算法的出租車(chē)乘客出行數(shù)據(jù)分析
5.3.1 基于k-means算法的出租車(chē)乘客出行數(shù)據(jù)分析方法
5.3.2 數(shù)據(jù)采集及預(yù)處理
5.3.3 相關(guān)算法
5.3.4 模型設(shè)計(jì)
5.3.5 實(shí)驗(yàn)分析
5.4 基于SWCk-means算法的文本數(shù)據(jù)熱點(diǎn)分析
5.4.1 基于SWCk-means算法的文本數(shù)據(jù)熱點(diǎn)分析方法
5.4.2 數(shù)據(jù)采集及預(yù)處理
5.4.3 相關(guān)算法
5.4.4 模型設(shè)計(jì)
5.4.5 實(shí)驗(yàn)分析
5.5 本章小結(jié)
第6章 基于車(chē)載監(jiān)控圖像的應(yīng)用
6.1 引言
6.2 駕駛員吸煙檢測(cè)
6.2.1 基于改進(jìn)SSD算法的駕駛員吸煙檢測(cè)方法
6.2.2 模型設(shè)計(jì)
6.2.3 實(shí)驗(yàn)分析
6.3 駕駛員打電話檢測(cè)
6.3.1 基于改進(jìn)YOLOv5n算法的駕駛員打電話檢測(cè)方法
6.3.2 模型設(shè)計(jì)
6.3.3 實(shí)驗(yàn)分析
6.4 疲勞駕駛檢測(cè)
6.4.1 基于面部多特征的駕駛員疲勞駕駛檢測(cè)方法
6.4.2 模型設(shè)計(jì)
6.4.3 實(shí)驗(yàn)分析
6.5 公交客流統(tǒng)計(jì)
6.5.1 基于多目標(biāo)識(shí)別與跟蹤的公交客流量統(tǒng)計(jì)方法
6.5.2 模型設(shè)計(jì)
6.5.3 實(shí)驗(yàn)分析
6.6 本章小結(jié)
第7章 基于道路監(jiān)控圖像的應(yīng)用
7.1 引言
7.2 安全帶檢測(cè)
7.2.1 基于改進(jìn)YOLOv3算法和FasterRCNN算法的安全帶檢測(cè)方法
7.2.2 模型設(shè)計(jì)
7.2.3 實(shí)驗(yàn)分析
7.3 車(chē)牌識(shí)別
7.3.1 基于YOLOv5s算法的車(chē)牌識(shí)別方法
7.3.2 模型設(shè)計(jì)
7.3.3 實(shí)驗(yàn)分析
7.4 車(chē)型識(shí)別
7.4.1 基于YOLOv5s算法的車(chē)型識(shí)別方法
7.4.2 模型設(shè)計(jì)
7.4.3 實(shí)驗(yàn)分析
7.5 車(chē)輛顏色識(shí)別
7.5.1 基于YOLOv5s算法的車(chē)輛顏色識(shí)別方法
7.5.2 模型設(shè)計(jì)
7.5.3 實(shí)驗(yàn)分析
7.6 車(chē)輛行為識(shí)別
7.6.1 基于TSAN網(wǎng)絡(luò)的車(chē)輛行為識(shí)別方法
7.6.2 模型設(shè)計(jì)
7.6.3 實(shí)驗(yàn)分析
7.7 車(chē)速檢測(cè)
7.7.1 基于虛擬線圈法的車(chē)速檢測(cè)方法
7.7.2 模型設(shè)計(jì)
7.7.3 實(shí)驗(yàn)分析
7.8 高速公路車(chē)流量統(tǒng)計(jì)
7.8.1 基于YOLOv5 DeepSORT算法的高速公路車(chē)流量統(tǒng)計(jì)方法
7.8.2 模型設(shè)計(jì)
7.8.3 實(shí)驗(yàn)分析
7.9 本章小結(jié)
第8章 交通大數(shù)據(jù)可視化
8.1 引言
8.2 基于Excel電子表格的可視化方法