数理科学与化学 类型
可以朗读 语音朗读
149千字 字数
2022-03-01 发行日期
展开全部

主编推荐语

深度学习在道路交通时空预测的最新研究。

内容简介

这本书系统阐述了深度学习方法论在道路短期交通状态时空序列预测领域的最新研究成果。需要着重说明以下几点：（1）领域限定在了道路交通，因为交通是个大系统，存在着航空、水运、道路等多种运输方式，而本书所阐述的研究均是针对道路交通领域的数据以及面向道路交通领域的应用；（2）本书所讨论的研究问题是道路短期交通状态时空序列预测问题，该问题是时空数据挖掘领域中时空预测问题的一个重要子集，在本书的第1章中将会对这个问题进行数学上的形式化定义；（3）本书针对道路短期交通状态时空序列预测问题的讨论，完全是基于深度学习的方法论，所参考的文献绝大部分发表于2017年以后，并不涵盖前人对该研究问题所采用的全部方法论（如ARIMA，卡尔曼滤波、SVR等）。

目录

  • 封面
  • 版权信息
  • 前言
  • 主要符号表
  • 第1章 道路短期交通状态时空序列预测总论
  • 1.1 时空数据
  • 1.2 时空数据挖掘
  • 1.3 道路短期交通状态时空序列预测
  • 1.4 道路短期交通状态时空序列预测研究概要性综述
  • 1.5 基于深度学习的道路短期交通状态时空序列预测建模一般性框架
  • 1.6 本章小结
  • 第1篇 基于深度学习的网格化道路交通状态时空序列预测
  • 第2章 基于2D图卷积神经网络的时空相关性建模
  • 2.1 ST-ResNet
  • 2.2 MDL
  • 2.3 MF-STN
  • 2.4 DeepLGR
  • 2.5 ST-NASNet
  • 2.6 本章小结
  • 第3章 基于2D图卷积与循环神经网络相结合的时空相关性建模
  • 3.1 STDN
  • 3.2 ACFM
  • 3.3 PredRNN
  • 3.4 PredRNN++
  • 3.5 MIM
  • 3.6 SA-ConvLSTM
  • 3.7 本章小结
  • 第4章 基于3D图卷积的时空相关性建模
  • 4.1 问题提出
  • 4.2 预测模型
  • 4.3 训练算法
  • 4.4 本章小结
  • 第2篇 基于深度学习的拓扑化道路交通状态时空序列预测
  • 第5章 基于1D图卷积与卷积图神经网络相结合的时空相关性建模
  • 5.1 STGCN
  • 5.2 TSSRGCN
  • 5.3 Graph Wave Net
  • 5.4 ASTGCN
  • 5.5 本章小结
  • 第6章 基于循环与卷积图神经网络相结合的时空相关性建模
  • 6.1 AGC-Seq2Seq
  • 6.2 DCGRU
  • 6.3 T-MGCN
  • 6.4 GGRU
  • 6.5 ST-MetaNet
  • 6.6 本章小结
  • 第7章 基于Self-Attention与卷积图神经网络相结合的时空相关性建模
  • 7.1 GMAN
  • 7.2 ST-GRAT
  • 7.3 STTN
  • 7.4 STGNN
  • 7.5 本章小结
  • 第8章 基于卷积图神经网络的时空相关性同步建模
  • 8.1 MVGCN
  • 8.2 STSGCN
  • 8.3 本章小结
  • 第3篇 深度学习相关基本理论
  • 第9章 全连接神经网络
  • 9.1 理论介绍
  • 9.2 本章小结
  • 第10章 卷积神经网络
  • 10.1 2D卷积神经网络
  • 10.2 1D卷积神经网络和3D卷积神经网络
  • 10.3 挤压和激励卷积网络
  • 10.4 残差连接网络
  • 10.5 因果卷积
  • 10.6 膨胀卷积
  • 10.7 可变形卷积
  • 10.8 可分离卷积
  • 10.9 亚像素卷积
  • 10.10 本章小结
  • 第11章 循环神经网络
  • 11.1 标准循环神经网络
  • 11.2 双向循环神经网络
  • 11.3 深度循环神经网络
  • 11.4 长短期记忆神经网络
  • 11.5 门控循环单元
  • 11.6 ConvLSTM
  • 11.7 本章小结
  • 第12章 卷积图神经网络
  • 12.1 谱域图卷积
  • 12.2 顶点域图卷积
  • 12.3 本章小结
  • 第13章 注意力机制
  • 13.1 Encoder-Decoder模型
  • 13.2 基于注意力机制的Encoder-Decoder模型
  • 13.3 广义注意力机制
  • 13.4 多头注意力机制
  • 13.5 自注意力机制
  • 13.6 Encoder-Decoder架构的变体及训练方法
  • 13.7 本章小结
  • 第14章 Transformer
  • 14.1 模型介绍
  • 14.2 本章小结
  • 第15章 深度神经网络训练技巧
  • 15.1 批标准化
  • 15.2 层标准化
  • 15.3 本章小结
  • 第16章 矩阵分解
  • 16.1 理论介绍
  • 16.2 本章小结
  • 后记
  • 参考文献
  • 封底
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。