- 机械工业出版社
- 9787893869518
- 2026-05
- 交通运输类
内容简介
本书从机器学习的基本概念出发，逐步深入讲解经典机器学习方法、深度学习、卷积神经网络、循环神经网络以及大模型技术，及它们在智慧交通中的应用，包括车辆追尾预警、交通事故严重程度判断、自动驾驶技术等丰富的案例。本书主要内容有绪论、回归分析、逻辑回归、K近邻算法、决策树、支持向量机、集成学习、贝叶斯分析、聚类分析、深度学习基础及交通标志分类实践项目、卷积神经网络理论及斑马线检测项目、循环神经网络及实践、大模型技术原理及交通领域智能体应用。 本书适合作为智慧交通、智能车辆、自动控制等专业人工智能课程的入门教材。本书内容丰富，叙述清晰且循序渐进，采用新形态构建形式。
目录
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 36Scikitlearn中的逻辑回归方法45 361Scikitlearn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 932CalinskiHarabasz指数145 933DaviesBouldin指数146 94Kmeans聚类146 941Kmeans基本原理146 942Kmeans实践案例——停车场车辆聚类分析148 943Kmeans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 1131LeNet5193 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
