交通時(shí)空大數(shù)據(jù)詳解：車輛軌跡數(shù)據(jù)分析、挖掘與可視化（Python版）

定　價(jià)：￥99.00

作　者：	余慶、袁見、宋軒
出版社：	清華大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書可以去

當(dāng)當(dāng)網(wǎng) (￥94.10)

ISBN：	9787302668145	出版時(shí)間：	2024-07-01	包裝：	平裝-膠訂
開本：	16開	頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書全面介紹車輛軌跡數(shù)據(jù)的處理、分析與可視化方法，并深入探討了基于Python的車輛軌跡數(shù) 據(jù)處理技術(shù)，旨在幫助讀者快速掌握車輛時(shí)空軌跡數(shù)據(jù)處理的基本方法和編程技巧，同時(shí)提供豐富的實(shí)際案例和技術(shù)解決方案，覆蓋了從數(shù)據(jù)采集到深入分析的完整技術(shù)鏈條，是交通時(shí)空大數(shù)據(jù)領(lǐng)域車輛軌跡數(shù)據(jù)處理分析的全面指南。本書內(nèi)容涵蓋從車輛軌跡數(shù)據(jù)的基本特征、采集原理到預(yù)處理、質(zhì)量分析、可視化，再到高級(jí)應(yīng)用如路網(wǎng)匹配、排放計(jì)算、多智能體仿真，以及特定案例分析如電動(dòng)汽車充電需求識(shí)別和無人機(jī)航拍軌跡數(shù)據(jù)分析。本書適合計(jì)算機(jī)相關(guān)專業(yè)的學(xué)生、數(shù)據(jù)分析師、研究人員以及技術(shù)開發(fā)人員閱讀。

作者簡(jiǎn)介

　　余慶工學(xué)博士，北京大學(xué)深圳研究生院城市規(guī)劃與設(shè)計(jì)學(xué)院博士后，曾任南方科技大學(xué)助理研究員。博士畢業(yè)于上海同濟(jì)大學(xué)，期間赴日本東京大學(xué)聯(lián)合培養(yǎng)，獲國(guó)家資助博士后研究人員計(jì)劃資助、上海市優(yōu)秀畢業(yè)生、博士研究生國(guó)家獎(jiǎng)學(xué)金等榮譽(yù)。主要從事交通時(shí)空大數(shù)據(jù)、交通能源、城市計(jì)算、多智能體仿真等相關(guān)領(lǐng)域的應(yīng)用研究，發(fā)表期刊與會(huì)議論文40余篇，其中SCI論文20余篇。交通時(shí)空大數(shù)據(jù)開源Python庫(kù)TransBigData作者，清華大學(xué)出版社計(jì)算機(jī)暢銷圖書《交通時(shí)空大數(shù)據(jù)分析、挖掘與可視化（Python版）》作者，獲清華大學(xué)出版社2022年科技類最受讀者歡迎圖書獎(jiǎng)。袁見同濟(jì)大學(xué)博士研究生、麥吉爾大學(xué)聯(lián)合培養(yǎng)博士生。主要研究方向?yàn)闀r(shí)空數(shù)據(jù)建模與分析、交通網(wǎng)絡(luò)建模、人工智能在交通中的應(yīng)用。參與國(guó)家重點(diǎn)研發(fā)計(jì)劃1項(xiàng)，發(fā)表期刊論文6篇、會(huì)議論文4篇，授權(quán)發(fā)明專利5項(xiàng)。宋軒，教授，博士生導(dǎo)師，吉林大學(xué)人工智能學(xué)院院長(zhǎng)，國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目負(fù)責(zé)人。主要研究方向?yàn)槿斯ぶ悄芟嚓P(guān)領(lǐng)域，包括大數(shù)據(jù)分析、數(shù)據(jù)挖掘和城市計(jì)算等。

圖書目錄

基礎(chǔ)應(yīng)用篇
第1章車輛軌跡數(shù)據(jù)概述 2
1.1　車輛軌跡數(shù)據(jù)的基本特征 2
1.1.1　個(gè)體 3
1.1.2　時(shí)間 3
1.1.3　空間 3
1.1.4　其他信息 4
1.2　車輛軌跡數(shù)據(jù)的采集原理 4
1.2.1　基于車載GPS或手機(jī)GPS定位技術(shù) 5
1.2.2　基于無人機(jī)或高層建筑固定攝像頭視頻識(shí)別技術(shù) 6
1.2.3　基于車牌識(shí)別技術(shù) 6
1.2.4　基于電子不停車收費(fèi)系統(tǒng) 7
1.2.5　不同采集原理的車輛軌跡數(shù)據(jù)特征比較 7
1.3　開源車輛軌跡數(shù)據(jù)集簡(jiǎn)介 8
1.4　本書的技術(shù)體系 9
1.4.1　Python數(shù)據(jù)分析生態(tài) 9
1.4.2　Pandas數(shù)據(jù)處理 10
1.4.3　GeoPandas與空間數(shù)據(jù)處理 11
1.4.4　TransBigData交通時(shí)空大數(shù)據(jù)處理、分析與可視化工具 12
第2章車輛軌跡數(shù)據(jù)的預(yù)處理 13
2.1　車輛軌跡數(shù)據(jù)的讀取與存儲(chǔ) 13
2.1.1　數(shù)據(jù)的讀取 13
2.1.2　數(shù)據(jù)的存儲(chǔ) 14
2.1.3　多個(gè)數(shù)據(jù)文件的讀取與合并 15
2.1.4　軌跡數(shù)據(jù)的分塊存儲(chǔ) 16
2.1.5　軌跡數(shù)據(jù)的分布式處理（Dask） 17
2.2　車輛軌跡數(shù)據(jù)的質(zhì)量分析 19
2.2.1　數(shù)據(jù)質(zhì)量分析的關(guān)注要點(diǎn) 19
2.2.2　字段的取值與缺失分析 20
2.2.3　數(shù)據(jù)的質(zhì)量分析 23
2.3　車輛軌跡數(shù)據(jù)的數(shù)據(jù)清洗 29
2.3.1　數(shù)據(jù)的缺失值補(bǔ)全 30
2.3.2　數(shù)據(jù)的冗余剔除 30
2.3.3　數(shù)據(jù)的漂移清洗 32
2.4　車輛軌跡數(shù)據(jù)的平滑處理 38
2.4.1　卡爾曼濾波的基本原理 38
2.4.2　基于卡爾曼濾波的軌跡數(shù)據(jù)平滑處理 42
2.4.3　軌跡平滑適用場(chǎng)景的討論 46
2.5　車輛軌跡數(shù)據(jù)的增密與稀疏化 47
2.5.1　軌跡的增密 47
2.5.2　軌跡的稀疏化 49
2.6　車輛軌跡數(shù)據(jù)的坐標(biāo)轉(zhuǎn)換 51
2.6.1　地理坐標(biāo)系與投影坐標(biāo)系的坐標(biāo)轉(zhuǎn)換 51
2.6.2　地理坐標(biāo)系與火星坐標(biāo)系的坐標(biāo)轉(zhuǎn)換 52
2.7　車輛軌跡數(shù)據(jù)的柵格化 53
2.7.1　為什么要柵格化 53
2.7.2　軌跡柵格化的方法 54
2.7.3　TransBigData實(shí)現(xiàn)軌跡柵格化 57
2.8　車輛軌跡數(shù)據(jù)的停車與出行識(shí)別 59
2.8.1　停車識(shí)別方法 59
2.8.2　出行識(shí)別方法 61
2.9　車輛軌跡數(shù)據(jù)的切片與分段 64
2.9.1　軌跡的切片 64
2.9.2　軌跡的分段 66
2.9.3　計(jì)算軌跡長(zhǎng)度 68
2.10　車輛軌跡數(shù)據(jù)預(yù)處理方法小結(jié) 72
第3章車輛軌跡數(shù)據(jù)的可視化 76
3.1　基于Matplotlib的地圖可視化 76
3.1.1　車輛軌跡數(shù)據(jù)的散點(diǎn)圖繪制 76
3.1.2　車輛軌跡數(shù)據(jù)的柵格圖繪制 79
3.1.3　車輛軌跡數(shù)據(jù)的熱力圖繪制 81
3.2　基于WebGIS的在線可視化工具 92
3.2.1　KeplerGL數(shù)據(jù)分布可視化 93
3.2.2　Mobmap動(dòng)態(tài)軌跡可視化 95
3.2.3　ODview出行起終點(diǎn)可視化 96
3.3　在Python中實(shí)現(xiàn)的WebGIS交互式可視化 98
3.3.1　Folium實(shí)現(xiàn)軌跡數(shù)據(jù)可視化 98
3.3.2　TransBigData的車輛數(shù)據(jù)可視化 100
高級(jí)應(yīng)用篇
第4章車輛軌跡數(shù)據(jù)的路網(wǎng)匹配 104
4.1　基于OSMnx的路網(wǎng)數(shù)據(jù)獲取與處理 104
4.1.1　OSMnx簡(jiǎn)介 104
4.1.2　路網(wǎng)數(shù)據(jù)獲取 105
4.1.3　路網(wǎng)數(shù)據(jù)的存儲(chǔ)形式與路網(wǎng)的自定義 110
4.1.4　路網(wǎng)的預(yù)處理 115
4.1.5　路網(wǎng)的最短路徑計(jì)算 118
4.1.6　路網(wǎng)處理小結(jié) 125
4.2　基于近鄰匹配的路網(wǎng)匹配 127
4.2.1　KDTree近鄰匹配 127
4.2.2　對(duì)軌跡數(shù)據(jù)進(jìn)行路網(wǎng)的近鄰匹配 129
4.3　基于最短路徑的路網(wǎng)匹配 134
4.4　基于隱馬爾可夫模型的路網(wǎng)匹配 138
4.4.1　隱馬爾可夫模型 138
4.4.2　簡(jiǎn)化的路網(wǎng)匹配隱馬爾可夫模型實(shí)現(xiàn) 140
4.4.3　基于leuvenmapmatching的路網(wǎng)匹配 146
4.5　路網(wǎng)匹配小結(jié) 152
第5章車輛軌跡數(shù)據(jù)的排放計(jì)算 155
5.1　COPERT排放模型 155
5.1.1　COPERT模型簡(jiǎn)介 155
5.1.2　COPERT污染物計(jì)算方法分類 155
5.1.3　排放的構(gòu)成 156
5.1.4　熱排放 157
5.1.5　冷啟動(dòng)排放 158
5.1.6　CO2的排放計(jì)算 160
5.1.7　COPERT模型小結(jié) 161
5.2　車輛軌跡數(shù)據(jù)的排放計(jì)算 162
5.2.1　車輛出行信息的準(zhǔn)備 162
5.2.2　基于車輛軌跡數(shù)據(jù)的排放計(jì)算 163
5.2.3　排放時(shí)空分布的整理 165
5.3　車輛排放的可視化 169
5.3.1　排放空間分布的可視化 169
5.3.2　排放時(shí)間分布的可視化 173
第6章車輛軌跡數(shù)據(jù)的多智能體仿真 175
6.1　仿真模型的基本框架 175
6.1.1　仿真模型的整體設(shè)計(jì) 175
6.1.2　仿真時(shí)間與仿真步的管理 177
6.1.3　仿真信息的存儲(chǔ) 179
6.1.4　仿真模型框架小結(jié) 181
6.2　智能體的屬性與功能設(shè)計(jì) 183
6.2.1　環(huán)境智能體 183
6.2.2　車輛智能體 187
6.3　多智能體仿真的運(yùn)行 193
6.3.1　代碼小結(jié)與小規(guī)模測(cè)試 193
6.3.2　軌跡的精細(xì)仿真 199
6.3.3　仿真模型的優(yōu)化建議 200
實(shí)戰(zhàn)案例篇
第7章電動(dòng)汽車GPS數(shù)據(jù)：充電需求識(shí)別 202
7.1　充電需求識(shí)別思路 202
7.2　數(shù)據(jù)預(yù)處理與出行停留信息識(shí)別 203
7.3　電動(dòng)汽車的剩余電量估計(jì) 204
7.3.1　充電電量計(jì)算 205
7.3.2　出行能耗計(jì)算 208
7.3.3　剩余電量預(yù)測(cè) 208
7.4　電動(dòng)汽車的充電需求分析 213
7.4.1　電動(dòng)汽車個(gè)體剩余電量時(shí)變分析 213
7.4.2　充電站的負(fù)荷估計(jì)與分析 214
第8章無人機(jī)航拍軌跡數(shù)據(jù)：車流交通波分析（NGSIM數(shù)據(jù)） 219
8.1　NGSIM數(shù)據(jù)的特征 219
8.2　NGSIM數(shù)據(jù)的預(yù)處理 220
8.2.1　數(shù)據(jù)篩選 220
8.2.2　基于QGIS的地圖處理與車輛軌跡定位 222
8.3　NGSIM數(shù)據(jù)的交通波識(shí)別 223
8.3.1　交通波簡(jiǎn)介 223
8.3.2　交通波特征參數(shù)介紹 224
8.3.3　時(shí)空二維平面軌跡可視化 224
8.3.4　交通波特征參數(shù)提取及可視化 229
8.3.5　交通波特征分析案例 233
第9章無人機(jī)航拍軌跡數(shù)據(jù)：路網(wǎng)運(yùn)行狀態(tài)提取與分析（pNEUMA數(shù)據(jù)） 239
9.1　航拍軌跡數(shù)據(jù)特征 239
9.2　數(shù)據(jù)準(zhǔn)備 240
9.2.1　數(shù)據(jù)壓縮 241
9.2.2　地圖數(shù)據(jù)加載 242
9.3　網(wǎng)絡(luò)交通狀態(tài)提取與分析 244
9.3.1　路段流量獲取 244
9.3.2　路段行程時(shí)間獲取 246
9.3.3　路段到路段行程時(shí)間 250
9.4　實(shí)戰(zhàn)應(yīng)用：OD矩陣及路徑流量提取 251
9.4.1　OD矩陣提取 252
9.4.2　路徑流量提取 255