第 1章 緒論 1 1.1　了解交通大數(shù)據(jù)　1 1.1.1　交通大數(shù)據(jù)的背景　1 1.1.2　交通大數(shù)據(jù)的應用　4 1.2　認識數(shù)據(jù)分析　5 1.2.1　掌握數(shù)據(jù)分析的基本任務　6 1.2.2　熟悉數(shù)據(jù)分析的基本流程　6 1.3　了解常用的數(shù)據(jù)分析工具　8 1.4　配置Python開發(fā)環(huán)境　9 1.4.1　安裝Anaconda　9 1.4.2　掌握Jupyter Notebook的使用方法　12 小結　14 課后習題　14 第　2章 Python數(shù)據(jù)分析簡介　16 2.1　入門Python數(shù)據(jù)分析　16 2.1.1　了解基本命令　16 2.1.2　掌握數(shù)據(jù)結構　19 2.1.3　函數(shù)式編程　21 2.1.4　導入與添加庫　23 2.2　了解Python數(shù)據(jù)分析常用擴展庫　24 2.2.1　NumPy　25 2.2.2　SciPy　26 2.2.3　pandas　27 2.2.4　Matplotlib　28 2.2.5　scikit-learn　30 小結　31 課后習題　31 第3章　數(shù)據(jù)獲取　32 3.1　了解常見的數(shù)據(jù)來源　32 3.2　了解交通信息的采集　33 3.2.1　交通信息的分類與特點　33 3.2.2　常見的交通信息采集技術　34 3.3　了解常見的數(shù)據(jù)類型　35 3.4　掌握數(shù)據(jù)的讀取方式　37 3.4.1　讀取數(shù)據(jù)庫數(shù)據(jù)　37 3.4.2　讀取文件數(shù)據(jù)　38 小結　40 課后習題　40 第4章　數(shù)據(jù)探索　41 4.1　分析數(shù)據(jù)質量　41 4.1.1　分析缺失值　41 4.1.2　分析異常值　42 4.2　分析數(shù)據(jù)特征　45 4.2.1　分析數(shù)據(jù)的統(tǒng)計量　45 4.2.2　分析數(shù)據(jù)的分布情況　48 4.2.3　對比分析數(shù)據(jù)　53 4.2.4　分析數(shù)據(jù)的周期性　56 4.2.5　分析數(shù)據(jù)的相關性　58 小結　61 課后習題　61 第5章　數(shù)據(jù)預處理　63 5.1　數(shù)據(jù)清洗　63 5.1.1　處理缺失值　63 5.1.2　處理異常值　66 5.2　數(shù)據(jù)變換　66 5.2.1　函數(shù)變換　66 5.2.2　數(shù)據(jù)標準化　67 5.2.3　離散化連續(xù)型數(shù)據(jù)　69 5.3　屬性構造　72 5.4　屬性規(guī)約　73 5.5　數(shù)據(jù)合并　76 5.5.1　多表合并　77 5.5.2　分組聚合數(shù)據(jù)　84 小結　92 課后習題　92 第6章　構建模型　94 6.1　構建分類與回歸模型　94 6.1.1　常用的分類與回歸算法　94 6.1.2　了解回歸分析　95 6.1.3　了解樸素貝葉斯　99 6.1.4　了解決策樹　101 6.1.5　了解人工神經網絡　104 6.1.6　評價分類與回歸模型　109 6.2　構建聚類模型　113 6.2.1　了解常用的聚類算法　113 6.2.2　了解K-Means聚類　114 6.2.3　了解密度聚類　120 6.2.4　聚類模型評價　124 6.3　構建時間序列模型　126 6.3.1　了解常用的時間序列模型　126 6.3.2　預處理時間序列　127 6.3.3　分析平穩(wěn)時間序列　128 6.3.4　分析非平穩(wěn)時間序列　131 小結　140 課后習題　140 第7章　運輸車輛駕駛行為分析　142 7.1　分析背景與目標　142 7.1.1　背景　142 7.1.2　數(shù)據(jù)說明　143 7.1.3　分析目標　144 7.2　數(shù)據(jù)探索分析　145 7.2.1　分布分析　145 7.2.2　相關性分析　146 7.2.3　異常值檢測　147 7.3　駕駛行為聚類分析　149 7.3.1　K-Means聚類　149 7.3.2　層次聚類　152 7.3.3　高斯混合模型聚類　153 7.3.4　譜聚類　154 7.4　構建駕駛行為預測模型　156 7.4.1　構建線性判別分析模型　156 7.4.2　構建樸素貝葉斯模型　157 7.4.3　構建神經網絡模型　159 7.5　駕駛行為分析總結與建議　160 小結　160 課后習題　160 第8章　公交車站點設置優(yōu)化分析　162 8.1　分析背景與目標　162 8.1.1　背景　163 8.1.2　數(shù)據(jù)說明　163 8.1.3　分析目標　164 8.2　探索公交刷卡數(shù)據(jù)　165 8.3　預處理公交車載GPS數(shù)據(jù)與刷卡數(shù)據(jù)　166 8.3.1　屬性規(guī)約　166 8.3.2　缺失值處理　166 8.3.3　數(shù)據(jù)去重　167 8.4　構建DBSCAN模型　168 8.5　公交車站點設置優(yōu)化分析　170 8.5.1　計算上車人數(shù)　170 8.5.2　計算下車人數(shù)　172 8.5.3　結果分析　176 小結　177 課后習題　177 第9章　鐵路站點客流量預測　179 9.1　分析背景與目標　179 9.1.1　背景　179 9.1.2　數(shù)據(jù)說明　180 9.1.3　分析目標　180 9.2　預處理客流量數(shù)據(jù)　181 9.3　探索客流量數(shù)據(jù)　186 9.3.1　不同站點上下車客流量分布分析　186 9.3.2　不同時段上下車客流量分布分析　187 9.3.3　分析節(jié)假日客流量變化　189 9.4　構建模型并預測客流量　192 9.4.1　構建時間序列模型　192 9.4.2　預測非節(jié)假日客流量　195 9.4.3　預測節(jié)假日客流量　199 小結　206 課后習題　207 第　10章 基于TipDM大數(shù)據(jù)挖掘建模平臺實現(xiàn)運輸車輛駕駛行為分析　208 10.1　TipDM大數(shù)據(jù)挖掘建模平臺簡介　208 10.1.1　模型庫　210 10.1.2　數(shù)據(jù)連接　210 10.1.3　我的數(shù)據(jù)　210 10.1.4　我的工程　211 10.1.5　系統(tǒng)算法　211 10.1.6　個人算法　213 10.2　實現(xiàn)運輸車輛駕駛行為分析　214 10.2.1　數(shù)據(jù)源配置　214 10.2.2　數(shù)據(jù)探索分析　217 10.2.3　駕駛行為聚類分析　222 10.2.4　構建駕駛行為預測模型　230 小結　236 第　1章 緒論　1 1.1　了解交通大數(shù)據(jù)　1 1.1.1　交通大數(shù)據(jù)的背景　1 1.1.2　交通大數(shù)據(jù)的應用　4 1.2　認識數(shù)據(jù)分析　5 1.2.1　掌握數(shù)據(jù)分析的基本任務　6 1.2.2　熟悉數(shù)據(jù)分析的基本流程　6 1.3　了解常用的數(shù)據(jù)分析工具　8 1.4　配置Python開發(fā)環(huán)境　9 1.4.1　安裝Anaconda　9 1.4.2　掌握Jupyter Notebook的使用方法　12 小結　14 課后習題　14 第　2章 Python數(shù)據(jù)分析簡介　16 2.1　入門Python數(shù)據(jù)分析　16 2.1.1　了解基本命令　16 2.1.2　掌握數(shù)據(jù)結構　19 2.1.3　函數(shù)式編程　21 2.1.4　導入與添加庫　23 2.2　了解Python數(shù)據(jù)分析常用擴展庫　24 2.2.1　NumPy　25 2.2.2　SciPy　26 2.2.3　pandas　27 2.2.4　Matplotlib　28 2.2.5　scikit-learn　30 小結　31 課后習題　31 第3章　數(shù)據(jù)獲取　32 3.1　了解常見的數(shù)據(jù)來源　32 3.2　了解交通信息的采集　33 3.2.1　交通信息的分類與特點　33 3.2.2　常見的交通信息采集技術　34 3.3　了解常見的數(shù)據(jù)類型　35 3.4　掌握數(shù)據(jù)的讀取方式　37 3.4.1　讀取數(shù)據(jù)庫數(shù)據(jù)　37 3.4.2　讀取文件數(shù)據(jù)　38 小結　40 課后習題　40 第4章　數(shù)據(jù)探索　41 4.1　分析數(shù)據(jù)質量　41 4.1.1　分析缺失值　41 4.1.2　分析異常值　42 4.2　分析數(shù)據(jù)特征　45 4.2.1　分析數(shù)據(jù)的統(tǒng)計量　45 4.2.2　分析數(shù)據(jù)的分布情況　48 4.2.3　對比分析數(shù)據(jù)　53 4.2.4　分析數(shù)據(jù)的周期性　56 4.2.5　分析數(shù)據(jù)的相關性　57 小結　60 課后習題　61 第5章　數(shù)據(jù)預處理　63 5.1　數(shù)據(jù)清洗　63 5.1.1　處理缺失值　63 5.1.2　處理異常值　66 5.2　數(shù)據(jù)變換　66 5.2.1　函數(shù)變換　66 5.2.2　數(shù)據(jù)標準化　67 5.2.3　離散化連續(xù)型數(shù)據(jù)　69 5.3　屬性構造　72 5.4　屬性規(guī)約　73 5.5　數(shù)據(jù)合并　76 5.5.1　多表合并　77 5.5.2　分組聚合數(shù)據(jù)　84 小結　92 課后習題　92 第6章　構建模型　94 6.1　構建分類與回歸模型　94 6.1.1　常用的分類與回歸算法　94 6.1.2　了解回歸分析　95 6.1.3　了解樸素貝葉斯　99 6.1.4　了解決策樹　101 6.1.5　了解人工神經網絡　104 6.1.6　評價分類與回歸模型　109 6.2　構建聚類模型　113 6.2.1　了解常用的聚類算法　113 6.2.2　了解K-Means聚類　114 6.2.3　了解密度聚類　120 6.2.4　聚類模型評價　124 6.3　構建時間序列模型　126 6.3.1　了解常用的時間序列模型　126 6.3.2　預處理時間序列　127 6.3.3　分析平穩(wěn)時間序列　128 6.3.4　分析非平穩(wěn)時間序列　131 小結　140 課后習題　140 第7章　運輸車輛駕駛行為分析　142 7.1　分析背景與目標　142 7.1.1　背景　142 7.1.2　數(shù)據(jù)說明　143 7.1.3　分析目標　144 7.2　數(shù)據(jù)探索分析　145 7.2.1　分布分析　145 7.2.2　相關性分析　146 7.2.3　異常值檢測　147 7.3　駕駛行為聚類分析　149 7.3.1　K-Means聚類　149 7.3.2　層次聚類　152 7.3.3　高斯混合模型聚類　153 7.3.4　譜聚類　154 7.4　構建駕駛行為預測模型　156 7.4.1　構建線性判別分析模型　156 7.4.2　構建樸素貝葉斯模型　157 7.4.3　構建神經網絡模型　159 7.5　駕駛行為分析總結與建議　160 小結　160 課后習題　160 第8章　公交車站點設置優(yōu)化分析　162 8.1　分析背景與目標　162 8.1.1　背景　163 8.1.2　數(shù)據(jù)說明　163 8.1.3　分析目標　164 8.2　探索公交刷卡數(shù)據(jù)　165 8.3　預處理公交車載GPS數(shù)據(jù)與刷卡數(shù)據(jù)　166 8.3.1　屬性規(guī)約　166 8.3.2　缺失值處理　166 8.3.3　數(shù)據(jù)去重　167 8.4　構建DBSCAN模型　168 8.5　公交車站點設置優(yōu)化分析　170 8.5.1　計算上車人數(shù)　170 8.5.2　計算下車人數(shù)　172 8.5.3　結果分析　176 小結　177 課后習題　177 第9章　鐵路站點客流量預測　179 9.1　分析背景與目標　179 9.1.1　背景　179 9.1.2　數(shù)據(jù)說明　180 9.1.3　分析目標　180 9.2　預處理客流量數(shù)據(jù)　181 9.3　探索客流量數(shù)據(jù)　186 9.3.1　不同站點上下車客流量分布分析　186 9.3.2　不同時段上下車客流量分布分析　187 9.3.3　分析節(jié)假日客流量變化　189 9.4　構建模型并預測客流量　192 9.4.1　構建時間序列模型　192 9.4.2　預測非節(jié)假日客流量　195 9.4.3　預測節(jié)假日客流量　199 小結　206 課后習題　207 第　10章 基于TipDM大數(shù)據(jù)挖掘建模平臺實現(xiàn)運輸車輛駕駛行為分析　208 10.1　Tip DM大數(shù)據(jù)挖掘建模平臺簡介　208 10.1.1　模型庫　210 10.1.2　數(shù)據(jù)連接　210 10.1.3　我的數(shù)據(jù)　210 10.1.4　我的工程　211 10.1.5　系統(tǒng)算法　211 10.1.6　個人算法　213 10.2　實現(xiàn)運輸車輛駕駛行為分析　214 10.2.1　數(shù)據(jù)源配置　214 10.2.2　數(shù)據(jù)探索分析　217 10.2.3　駕駛行為聚類分析　222 10.2.4　構建駕駛行為預測模型　230 小結　236