第1章绪论1
11智慧交通概述1
111智慧交通基本概念及特征1
112智慧交通简要发展历程2
12机器学习概述6
121机器学习的基本概念6
122机器学习的典型算法7
13机器学习在智慧交通中的典型应用8
131机器学习在交通事件检测中的应用9
132机器学习在交通状态预测中的应用10
133机器学习在交通管理与控制中的应用10
134机器学习在自动驾驶技术中的应用11
135交通领域大模型的应用12
习题13
第2章回归分析14
21回归分析的起源与基本概念14
22一元线性回归15
221一元线性回归的基本概念15
222损失函数的定义15
223参数优化方法18
224回归模型评估指标19
225一元线性回归实践——电动汽车续驶里程预测20
23多元线性回归24
231多元线性回归的基本概念24
232多元线性回归的梯度下降法求解24
233多元线性回归实践——电动汽车续驶里程预测25
24多项式回归26
241多项式回归的基本概念26
242多项式回归的实践——电动汽车续驶里程预测26
25过拟合与正则化27
251过拟合27
252正则化28
253增加正则项的实践案例32
习题35
第3章逻辑回归37
31二分类与伯努利分布37
32逻辑函数38
33逻辑回归的损失函数39
331从0/1损失到交叉熵损失40
332逻辑回归损失函数的正则化40
34逻辑回归的参数优化方法40
35分类的评估工具与指标42
351混淆矩阵42
352精确率、召回率、综合评价指标42
353微平均、宏平均、加权平均43
36Scikitlearn中的逻辑回归方法45
361Scikitlearn中的逻辑回归分类器45
362LogisticRegression45
363LogisticRegressionCV47
364SGDClassifier48
37逻辑回归实践案例48
371汽车追尾事故预测48
372交通事故严重程度判断51
习题54
第4章K近邻算法55
41KNN的核心思想55
42距离度量方式56
43KNN实践案例58
431KNN实践案例——汽车追尾事故预测58
432KNN实践案例——交通事故严重程度判断59
习题61
第5章决策树63
51决策树概述63
52决策树特征选择策略与典型算法64
521特征选择衡量准则64
522ID3算法65
523C45算法68
524CART算法69
53决策树剪枝71
531预剪枝71
532后剪枝72
54回归决策树73
55Sklearn库中的决策树方法75
56决策树实践案例77
561汽车安全行驶决策树分类预测77
562汽车防追尾决策树分类预测79
563回归决策树实例82
习题82
第6章支持向量机84
61支持向量机概述84
62线性可分支持向量机85
621基本原理85
622线性可分支持向量机实践案例88
63近似线性可分支持向量机90
64线性不可分支持向量机91
641核函数91
642线性不可分支持向量机实践案例92
65支持向量机的优缺点92
66Sklearn中的支持向量机方法93
67支持向量机实践案例——交通事故严重程度判断93
习题96
第7章集成学习97
71偏差和方差97
711偏差和方差的图示97
712偏差和方差的数学定义98
713偏差和方差的实例演示99
714偏差和方差的权衡101
72Bagging算法102
721Bagging算法理论102
722Sklearn中的Bagging方法103
723Bagging实践案例104
724随机森林算法理论105
725Sklearn中的随机森林方法105
726随机森林实践案例——电动汽车续驶里程预测107
727随机森林实践案例——交通事故严重程度判断109
728随机森林的超参数优化111
73Boosting算法113
731AdaBoost算法114
732梯度提升决策树算法115
733XGBoost算法117
734LightGBM算法121
735Boosting实践案例——电动汽车续驶里程预测123
74Stacking算法126
741Stacking算法理论126
742Stacking算法实践案例127
习题128
第8章贝叶斯分析130
81贝叶斯定理130
82朴素贝叶斯131
821朴素贝叶斯原理131
822高斯朴素贝叶斯132
823伯努利朴素贝叶斯132
824多项式朴素贝叶斯133
825朴素贝叶斯实践案例133
83基于贝叶斯的超参数优化方法及实践134
831基于bayes_opt的电动汽车续驶里程预测超参数优化134
832基于hyperopt的电动汽车续驶里程预测超参数优化136
833基于optuna的电动汽车续驶里程预测超参数优化139
习题140
第9章聚类分析142
91聚类分析的分类142
92距离或相似度143
921闵氏距离143
922马氏距离144
923相关系数144
924夹角余弦144
93评估指标145
931轮廓系数145
932CalinskiHarabasz指数145
933DaviesBouldin指数146
94Kmeans聚类146
941Kmeans基本原理146
942Kmeans实践案例——停车场车辆聚类分析148
943Kmeans实践案例——共享单车聚类分析150
95DBSCAN聚类152
951DBSCAN基本原理152
952DBSCAN实践案例——共享单车聚类分析153
953DBSCAN实践案例——球形数据聚类分析154
96层次聚类法156
961层次聚类法基本原理156
962层次聚类法实践案例——共享单车聚类分析157
习题158
第10章深度学习基础及交通标志分类实践项目160
101神经网络160
1011神经网络基本概念160
1012单层感知机161
1013多层感知机164
1014综合实践项目——交通事故的严重程度判断164
102深度学习理论基础164
1021信号前向传播165
1022激活函数166
1023损失函数168
1024参数优化方法169
1025误差反向传播171
1026计算图177
103深度学习框架179
1031TensorFlow179
1032PyTorch179
1033PaddlePaddle180
104MLP实践项目——交通标志分类识别181
习题183
第11章卷积神经网络理论及
斑马线检测项目185
111全连接神经网络的局限性分析185
112卷积神经网络理论基础186
1121卷积神经网络基本结构与主要特征186
1122卷积层188
1123池化层193
113典型的卷积神经网络模型193
1131LeNet5193
1132AlexNet195
1133VGGNet196
1134GoogLeNet198
1135ResNet201
114卷积神经网络实践项目——斑马线
检测203
习题204
第12章循环神经网络及实践206
121自然语言处理及相关技术206
1211NLP的发展历程206
1212词向量技术207
122循环神经网络209
123LSTM和GRU210
1231LSTM210
1232GRU213
124深度循环神经网络214
1241堆叠循环神经网络215
1242深度双向循环神经网络215
125序列到序列模型217
126循环神经网络实践项目219
1261使用Gensim库进行词向量生成219
1262基于LSTM的文本情感分析220
1263基于循环神经网络的车辆轨迹预测220
习题220
第13章大模型技术原理及交通领域
智能体应用223
131大模型技术概述223
1311深度学习的新纪元与挑战223
1312大模型研究进展概述224
1313大模型发展中的伦理考量225
132大模型的定义和分类226
1321大模型的定义226
1322大模型的分类226
133典型的大模型架构原理228
1331Transformer模型原理228
1332生成对抗网络原理229
1333生成扩散模型原理231
134大模型常见应用方式232
1341提示词工程232
1342检索增强生成233
1343大模型微调技术234
1344大模型全调技术235
1345大模型智能体236
135交通领域大模型智能体技术路径与应用实践237
1351基于百度AppBuilder零代码平台的智能体提示词工程实践237
1352自动驾驶决策智能体构建243
习题248
参考文献250