●大數據技術(shù)基礎理論知識：大數據的特征、分類(lèi)、框架結構等。 ●Python編程基礎知識：各種模塊的講解，并配以實(shí)操案例。 ●機器學(xué)習模式識別：機器學(xué)習的類(lèi)型、機器學(xué)習的基礎數學(xué)知識、樹(shù)和隨機森林算法、KNN算法、貝葉斯理論、支持向量機等模型和原理以及具體的Python代碼實(shí)現。 ●深度學(xué)習基礎知識及應用：深度學(xué)習的微積分基礎、線(xiàn)性代數基礎、案例詳解、深度學(xué)習框架以及硬件基礎、深度學(xué)習的駕駛意圖應用等。 ●深度學(xué)習的交通流預測研究：交通流理論基礎、交通流統計分布特性的基本理論知識、交通流數據預處理、深度學(xué)習的交通流預測等。

近年來(lái)，隨著(zhù)大數據的引入和人工智能的發(fā)展，交通領(lǐng)域在大數據和人工智能的影響下不斷發(fā)展，追求更快、更準確、更智能化的研究越來(lái)越迫切。駕駛行為及意圖的識別、交通流的預測、交通規劃等交通領(lǐng)域的更新內容都需要大數據和人工智能的支撐。本書(shū)介紹了大數據的框架和基本內容、特點(diǎn)及原理等，從數據的獲取到深度學(xué)習，講解的內容由淺入深，并通過(guò)Python編程實(shí)現數據獲取和算法原理說(shuō)明，使讀者容易理解和掌握。
本書(shū)的具體研究?jì)热萑缦隆?
① 大數據概述：大數據的基本理論知識，大數據的特征、分類(lèi)、框架結構等。
② Python基礎知識：各種模塊的講解，并配以案例實(shí)現。
③ 機器學(xué)習模式識別：機器學(xué)習的類(lèi)型，機器學(xué)習的基礎數學(xué)知識，樹(shù)和隨機森林算法，KNN 算法，貝葉斯理論，支持向量機等模型和原理，以及具體的Python代碼實(shí)現。
④ 深度學(xué)習基礎及應用：深度學(xué)習的微積分基礎、線(xiàn)性代數基礎、案例詳解、深度學(xué)習框架以及硬件基礎、深度學(xué)習的駕駛意圖應用等。
⑤ 深度學(xué)習的交通流預測研究：交通流理論基礎、交通流統計分布特性的基本理論知識、交通流數據預處理等。
本書(shū)的出版得到了山東省自然科學(xué)基金面上項目(ZR2019MEE072)、教育部高等教育司“人因與工效學(xué)”產(chǎn)學(xué)合作協(xié)同育人項目(202101042014)、教育部人文社會(huì )科學(xué)研究規劃基金(18YJAZH067)、山東省自然科學(xué)基金面上項目(ZR2020MG021)、山東省泰山學(xué)者專(zhuān)項(ts201712054)、國家自然科學(xué)基金面上項目(5217052865)、工業(yè)流體節能與污染控制教育部重點(diǎn)實(shí)驗室項目(背景噪聲下小波包處理技術(shù)的深度學(xué)習聲紋識別研究)等資助。在此一并表示感謝。
最后，還要衷心感謝本書(shū)引用的參考資料的所有作者。由于筆者水平有限，書(shū)中難免有疏漏和不足之處，懇請讀者批評指正。

著(zhù)者

本書(shū)主要對大數據的理論基礎進(jìn)行了介紹，并對大數據框架包含的內容進(jìn)行了詳細講解。具體內容包括：對Python基礎知識的介紹，主要是在大數據的交通流預測中所能用到的Python基礎知識；對大數據所包括的內容及基礎理論知識的講解；數據挖掘的研究與分析，對交通流大數據的基礎數據的處理與分析；基于Python的機器學(xué)習模型的基礎理論知識的介紹、交通流和駕駛行為及意圖分析；基于Python的深度學(xué)習的理論講解與分析，并運用深度學(xué)習模型對交通流進(jìn)行預測等。
本書(shū)可供交通運輸、交通工程、車(chē)輛工程、計算機等領(lǐng)域的技術(shù)人員、編程人員閱讀，也可供相關(guān)專(zhuān)業(yè)的師生學(xué)習參考。

第1 章　緒論001
1.1　大數據概述002
1.2　Python 概述003
1.3　交通運輸大數據概述004

第2 章　Python 基礎知識007
2.1　變量和簡(jiǎn)單數據類(lèi)型008
2.2　Python 語(yǔ)法基礎010
2.3　數據可視化020
2.4　數據的統計學(xué)特征025
2.5　代數和符號運算問(wèn)題028
2.6　基本數學(xué)運算030
2.7　不同類(lèi)型的數字031
2.8　Pandas 和NumPy 模塊032

第3 章　大數據基礎043
3.1　大數據044
3.2　Hadoop 大數據平臺046
3.3　大數據與人工智能050
3.4　探索性數據分析051
3.5　相關(guān)分析和回歸分析054
3.6　降維數據分析056

第4 章　機器學(xué)習模式識別065
4.1　人工智能、機器學(xué)習和深度學(xué)習關(guān)系066
4.2　機器學(xué)習基礎068
4.3　機器學(xué)習中的參數及擬合問(wèn)題071
4.4　矩陣基本知識072
4.5　樹(shù)和隨機森林算法076
4.6　KNN 算法078
4.7　貝葉斯理論078
4.8　支持向量機080
4.9　神經(jīng)網(wǎng)絡(luò )085

第5 章　深度學(xué)習基礎及應用101
5.1　深度學(xué)習中的微積分基礎102
5.2　深度學(xué)習的線(xiàn)性代數基礎106
5.3　基于Python 的神經(jīng)網(wǎng)絡(luò )案例算法詳解107
5.4　深度學(xué)習框架113
5.5　深度學(xué)習的硬件基礎117
5.6　卷積神經(jīng)網(wǎng)絡(luò )算法詳解118
5.7　循環(huán)神經(jīng)網(wǎng)絡(luò )和長(cháng)短期記憶網(wǎng)絡(luò )125
5.8　基于LSTM 的駕駛意圖識別130

第6 章　深度學(xué)習的交通流預測研究139
6.1　交通流理論基礎140
6.2　交通流的統計分布特性142
6.3　交通流數據預處理144
6.4　交通信息獲取技術(shù)146
6.5　宏觀(guān)交通流模型及微觀(guān)交通流模型147
6.6　基于深度學(xué)習的交通流預測149

參考文獻155