本站支持尊重有效期内的版权/著作权,所有的资源均来自于互联网网友分享或网盘资源,一旦发现资源涉及侵权,将立即删除。希望所有用户一同监督并反馈问题,如有侵权请联系站长或发送邮件到ebook666@outlook.com,本站将立马改正
适读人群:本书可以作为本科和研究生的ITS数据分析课程的教材,也可以作为其他工程学科(如土木工程、汽车工程、计算机科学、电气和计算机工程)专业人员的参考书籍。 《智能交通系统数据分析》为ITS 专业人士介绍了数据分析的基础知识,并强调了数据分析对未来交通系统的规划、运营和管理的重要性。书中介绍的数据分析知识对参与ITS 规划、操作和维护的人员 有用。这些章节足够详细,可以将数据分析的关键方面内容和知识传达给任何地方(无论是发达 还是发展中 )的工作场所中的交通运输专业人员。 作者编写《智能交通系统数据分析》的动机是为了激发交通系统的创新,并把数据分析作为重要工具,旨在提高ITS 领域的安全性、流动性和环境的可持续性。
《智能交通系统数据分析》提供了用于分析智能交通系统的各类数据驱动方法,其中包括了实现这些算法的各种大数据分析与计算工具;回顾了智能交通系统的主要特点,以及如何分析其产生数据的基本概念。
《智能交通系统数据分析》涉及数据采集、存储、处理和发布,数据架构设计、数据管理与展示系统,以及需要的软硬件技术。读者将会学习到如何设计有效的数据可视化界面、如何根据不同的交通场景评价不同的数据分析方法、在客车及货车领域面向安全与环境的案例应用、数据隐私和安全,以及社交媒体数据在交通规划中的应用。
《智能交通系统数据分析》可作为本科生和研究生学习智能交通系统数据分析的教材,也适用于从事智能交通行业的研发人员阅读使用。
马什鲁?乔杜里(Mashrur Chowdhury),克莱姆森大学教授,克莱姆森大学复杂系统、分析和可视化研究所的联合主任。他的研究主要集中在智能网联车辆技术上,重点是它们在智能城市中的集成。
艾米?阿彭(Amy Apon),自2011年以来一直是克莱姆森大学计算机学院的教授和计算机科学系主任。2015年,她离开克莱姆森,目前从事大数据、利用并行性和可扩展性以及计算机系统研究方面的研究项目。
卡坎?戴伊(Kakan Dey),美国西弗吉尼亚大学互联与自动化运输系统(CATS)实验室的助理教授和主任。他于2010年获得美国密歇根州底特律市韦恩州立大学土木工程硕士学位,并于2014年获得美国密歇根州克莱姆森市克莱姆森大学运输系统专业土木工程博士学位。
前言
译者序
第 1 章 智能交通系统的特征及其与数据分析的关系
1.1 智能交通系统作为数据密集型应用
1.1.1 ITS 数据系统
1.1.2 ITS 数据源与数据采集技术
1.2 智能交通系统的大数据分析方法与基础设施建设
1.3 ITS 架构:ITS 应用框架
1.3.1 用户管理及其要求
1.3.2 逻辑架构
1.3.3 物理架构
1.3.4 服务包
1.3.5 标准
1.3.6 安全
1.4 ITS 应用概述
1.4.1 ITS 应用类型
1.4.2 ITS 应用与数据分析的关系
1.5 智能交通系统:过去、现在与未来
1.5.1 20 世纪六七十年代
1.5.2 20 世纪八九十年代
1.5.3 21 世纪初十年
1.5.4 2010 年及以后
1.6 本书概述:ITS 应用的数据分析
1.7 习题
参考文献
第 2 章 数据分析基础
2.1 简介
2.2 数据分析的功能类型
2.2.1 描述性分析
2.2.2 诊断分析
2.2.3 预测分析
2.2.4 规范性分析
2.3 数据分析的演化
2.3.1 SQL 分析:RDBMS、OLTP和 OLAP
2.3.2 商业分析:商业智能、数据仓库和数据挖掘
2.3.3 可视化分析
2.3.4 大数据分析
2.3.5 认知分析
2.4 数据科学
2.4.1 数据生命周期
2.4.2 数据质量
2.4.3 模型构建与评价
2.5 数据分析的工具与资源
2.6 未来方向
2.7 章节总结与结论
2.8 习题
参考文献
第 3 章 交通应用的数据分析工具和科学方法
3.1 简介
3.2 R 语言简介
3.3`研究数据交换计划
3.4`基础数据类型和结构:数据表和链表
3.4.1 数据表
3.4.2 链表
3.5 从外部文件导入数据
3.5.1 逗号分隔文件
3.5.2 XML 文件
3.5.3 SQL
3.6 在线社交媒体数据
3.6.1 静态搜索
3.6.2 动态数据流
3.7 大数据处理:Hadoop MapReduce
3.8 章节总结
3.9 习题
参考文献
第 4 章 数据核心:数据生命周期和数据管道
4.1 简介
4.2 案例和数据波动
4.3 数据和生命周期
4.3.1 USGS 生命周期模型
4.3.2 数字管控中心管控模型
4.3.3 DataONE 模型
4.3.4 SEAD 研究对象生命周期模型
4.4 数据管道
4.5 未来方向
4.6 章节总结与结论
4.7 习题
参考文献
第 5 章 智能交通系统的数据基础设施
5.1 简介
5.2 网联的交通管理系统及其负载特征
5.3 基础设施简介
5.4 数据基础设施顶层设计
5.4.1 MapReduce :可拓展的数据处理
5.4.2 数据接受和流处理
5.4.3 SQL 和数据表
5.4.4 短时随机数据读取管理
5.4.5 基于搜索的分析
5.4.6 商业智能与数据科学
5.4.7 机器学习
5.5 数据基础设施底层设计
5.5.1 Hadoop :存储和计算管理
5.5.2 云环境下的 Hadoop
5.6 章节总结与结论
5.7 习题
参考文献
第 6 章 现代车辆的安全性和数据隐私
6.1 简介
6.2 车联网及其应用
6.2.1 车内网络
6.2.2 车外网络
6.2.3 创新车辆应用
6.3 股东和资产
6.4 网络攻击分类法
6.5 安全分析
6.5.1 网络和协议脆弱性分析
6.5.2 网络攻击
6.6 安全和数据隐私解决方案
6.6.1 密码学基础
6.6.2 车辆通信的安全解决方法
6.6.3 WPAN 安全和隐私
6.6.4 安全的 VANET 网络
6.6.5 安全的 OTA ECU 固件 新
6.6.6 传感器数据私密性测量
6.6.7 安全的数据分发
6.7 未来研究方向
6.8 章节总结与结论
6.9 习题
参考文献
第 7 章 可交互的数据可视化
7.1 简介
7.2 智能交通系统的数据可视化
7.3 数据可视化的魅力
7.4 数据可视化流程
7.5 数据可视化系统分类
7.6 可视化策略简介
7.6.1 数据数量压缩
7.6.2 缩小可视化组件
7.7 图像视觉引导策略
7.7.1 缩放和平移
7.7.2 概览 + 细节介绍
7.7.3 聚焦 + 上下文介绍
7.8 视觉交互策略
7.8.1 选择
7.8.2 链接
7.8.3 筛选
7.8.4 二次排列和映射
7.9 有效数据可视化的设计原则
7.10 案例分析:多变量数据可视化设计
7.10.1 用交互平行坐标实现的多变量可视化
7.10.2 通过数据处理的动态查询
7.10.3 通过嵌入式可视化的动态变量总结
7.10.4 多坐标系
7.11 章节总结与结论
7.12 习题
参考文献
第 8 章 智能交通系统系统工程中的数据分析
8.1 简介
8.2 背景
8.2.1 系统开发 V 模型
8.2.2 迭代开发
8.2.3 架构分析和设计语言
8.3 开发场景
8.3.1 架构中的数据分析
8.3.2 场景
8.4 章节总结与结论
8.5 习题
8.6 习题答案
8.7 附录
参考文献
第 9 章 安全应用的数据分析
9.1 简介
9.2 安全研究概述
9.2.1 人为因素
9.2.2 事故数量和频率模型
9.2.3 事前和事后研究
9.2.4 事故受伤严重程度建模
9.2.5 商用车辆安全性
9.2.6 数据驱动的公路巡查计划
9.2.7 面向安全的海量异构数据深度学习
9.2.8 实时交通运行和安全检测
9.2.9 网联车辆和交通安全
9.3 安全分析方法
9.3.1 统计方法
9.3.2 人工智能和机器学习
9.4 安全数据
9.4.1 事故数据
9.4.2 交通流数据
9.4.3 道路数据
9.4.4 天气数据
9.4.5 车辆和驾驶人数据
9.4.6 常规驾驶研究
9.4.7 大数据和开放数据提案
9.4.8 其他数据
9.5 问题和未来研究方向
9.5.1 现有安全研究问题
9.5.2 未来方向
9.6 章节总结与结论
9.7 习题
参考文献
第 10 章 多式联运交通应用的数据分析
10.1 简介
10.1.1 ITS 驱动的多式交通联运
10.1.2 面向 ITS 驱动多式交通联运的数据分析
10.2 描述性数据分析
10.2.1 单变量分析
10.2.2 双变量分析
10.3 数据预测分析
10.3.1 双变量分析
10.3.2 多变量分析
10.3.3 模糊变量回归
10.4 章节总结与结论
10.5 习题
10.6 习题答案
参考文献
第 11 章 交通领域的社交媒体数据
11.1 社交媒体数据简介
11.2 社交媒体数据特征
11.2.1 数量和 新速度
11.2.2 真实性
11.2.3 变化性
11.2.4 价值
11.3 社交媒体数据分析
11.4 社交媒体数据在交通领域中的应用
11.4.1 交通规划
11.4.2 交通预测
11.4.3 预定事件中的交通管理
11.4.4 突发事件中的交通管理
11.4.5 交通信息传播
11.5 社交媒体数据分析的未来研究问题和挑战
11.5.1 社交媒体:一个补充性的交通数据源
11.5.2 潜在的数据基础设施
11.6 章节总结与结论
11.7 习题
参考文献
第 12 章 交通数据分析中的机器学习
12.1 简介
12.2 机器学习模型
12.2.1 监督学习
12.2.2 无监督学习
12.3 数据理解
12.3.1 问题定义
12.3.2 数据收集
12.3.3 数据融合
12.3.4 数据预处理
12.4 机器学习算法
12.4.1 回归
12.4.2 决策树
12.4.3 神经网络
12.4.4 支持向量机
12.4.5 聚类
12.4.6 评价
12.5 案例分析
12.6 章节总结
12.7 习题
参考文献
附录