目   录

第1章  引言  1

　　1.1  背景  1

         1.1.1  交通运输的重要性  1

         1.1.2  研究动机  2

　　1.2  机器学习在交通研究和应用中前景广阔  2

         1.2.1  机器学习发展简述  2

         1.2.2  交通研究与应用中的机器学习  3

　　1.3  本书架构  4

第2章  交通数据与传感  6

　　2.1  数据量激增  6

　　2.2  ITS 数据需求  6

　　2.3  基础设施导向型数据与传感技术  7

         2.3.1  交通流量监测  7

         2.3.2  旅行时间估算  8

         2.3.3  交通异常识别  8

         2.3.4  车辆停放监测  9

　　2.4  车载数据与感知技术  10

         2.4.1  交通临近碰撞检测  10

         2.4.2  道路使用者行为监测  11

         2.4.3  路面及车道识别技术研究  11

         2.4.4  语义分割技术  12

　　2.5  利用航空遥感技术获取地面交通数据  12

         2.5.1  道路交通参与者的检测与追踪  13

         2.5.2  高级航空遥感技术  13

         2.5.3  利用无人机技术进行基础设施数据采集  14

　　2.6  ITS 数据质量控制与数据融合技术研究  14

　　2.7  交通数据传输与感知技术的挑战  15

         2.7.1  异质性  15

         2.7.2  传感器故障的高风险概率  16

         2.7.3  极端条件下的传感机制  17

         2.7.4  隐私保护  17

　　2.8  练习  18

第3章  机器学习基础  19

　　3.1  机器学习分类  19

         3.1.1  监督学习 v.s. 无监督学习  19

         3.1.2  生成式与判别式算法  20

         3.1.3  参数化与非参数化建模  20

　　3.2  监督学习  21

         3.2.1  线性回归  21

         3.2.2  逻辑回归  25

　　3.3  无监督学习  27

         3.3.1  主成分分析  27

         3.3.2  聚类  27

　　3.4  机器学习中的关键概念  28

         3.4.1  损失函数  28

         3.4.2  正则化  28

         3.4.3  梯度下降 v.s. 梯度上升  29

         3.4.4  K-折交叉验证  29

　　3.5  练习  30

第4章  全连接神经网络  32

　　4.1  线性回归  32

　　4.2  深度神经网络基础  33

         4.2.1  感知器  33

         4.2.2  隐藏层  34

         4.2.3  激活函数  35

         4.2.4  损失函数  36

         4.2.5  反向传播  36

         4.2.6  验证数据集  39

         4.2.7  欠拟合或过拟合  40

　　4.3  交通应用  40

         4.3.1  交通预测  40

         4.3.2  交通标志图像分类  41

　　4.4  练习  42

第5章  卷积神经网络  44

　　5.1  学习预期  44

　　5.2  卷积神经网络基本原理  44

         5.2.1  从全连接层到卷积  44

         5.2.2  卷积  45

         5.2.3  架构  46

         5.2.4  AlexNet  48

　　5.3  案例研究1：交通监控视频感知技术  48

　　5.4  案例研究2：时空交通模式学习  50

　　5.5  案例研究3：用于数据插补的CNN  54

         5.5.1  基于CNN的数据插补方法  55

         5.5.2  实验  57

　　5.6  练习  62

第6章  循环神经网络  64

　　6.1  RNN基础  64

　　6.2  RNN变体及相关架构  65

         6.2.1  长短期记忆和门控循环单元  65

         6.2.2  双向RNN  67

         6.2.3  序列到序列  68

　　6.3  RNN作为交通应用的基础构建块  68

         6.3.1  用于道路交通预测的RNN  68

         6.3.2  缺失值下的交通预测  70

　　6.4  练习  72

         6.4.1  问题  72

         6.4.2  项目：使用LSTM预测西雅图地区的全网交通  73

第7章  强化学习  75

　　7.1  强化学习设置  75

         7.1.1  马尔可夫性质  76

         7.1.2  强化学习的目标  76

         7.1.3  强化学习中的类别和术语  77

　　7.2  基于价值的方法  79

         7.2.1  Q-learning  80

         7.2.2  深度Q网络  81

         7.2.3  双DQN  81

　　7.3  深度强化学习中的策略梯度方法  82

         7.3.1  随机策略梯度  82

         7.3.2  确定性策略梯度  83

　　7.4  结合策略梯度和Q学习的方法  84

　　7.5  案例研究1：交通信号控制  85

　　7.6  案例研究2：车辆跟随控制  86

         7.6.1  代理公式化  88

         7.6.2  模型和仿真设置  88

　　7.7  案例研究3：公交车聚堆控制  89

　　7.8  练习  91

第8章  迁移学习  93

　　8.1  什么是迁移学习  93

　　8.2  为什么使用迁移学习  93

　　8.3  定义  94

　　8.4  迁移学习步骤  94

　　8.5  迁移学习类型  95

         8.5.1  域适应  95

         8.5.2  多任务学习  95

         8.5.3  零样本学习  95

         8.5.4  少样本学习  96

　　8.6  案例研究1：通过迁移学习增强车辆检测性能  97

　　8.7  案例研究2：基于属性表示学习的停车信息管理与预测系统  98

         8.7.1  背景  98

         8.7.2  方法  99

         8.7.3  结果  104

　　8.8  案例研究3：夜间交通检测的迁移学习  105

　　8.9  案例研究4：从模拟到现实世界的驾驶行为识别知识转移  107

　　8.10  练习  109

         8.10.1  迁移学习的基本概念  109

         8.10.2  迁移学习在交通领域的应用  109

         8.10.3  迁移学习的挑战与优化  109

         8.10.4  计算练习  110

第9章  图神经网络  111

　　9.1  基础知识  111

　　9.2  图神经网络  111

         9.2.1  频谱GNN  111

         9.2.2  空间GNN  113

         9.2.3  基于注意力的GNN  113

　　9.3  案例研究1：交通图卷积网络用于交通预测  114

         9.3.1  问题定义  114

         9.3.2  方法：交通图卷积LSTM  116

         9.3.3  结果  117

　　9.4  案例研究2：带有缺失值的交通预测的图神经网络  119

         9.4.1  问题定义  119

         9.4.2  方法：图马尔可夫网络  122

         9.4.3  结果  123

　　9.5  案例研究3：用于车辆关键点校正的图神经网络  125

         9.5.1  问题定义  125

         9.5.2  方法：用于关键点校正的图神经网络  126

         9.5.3  结果  127

　　9.6  练习  128

第10章  生成对抗网络  130

　　10.1  生成对抗网络  130

         10.1.1  二分类  130

         10.1.2  二分类的原始GAN公式  131

         10.1.3  目标（损失）函数  132

         10.1.4  优化算法  133

　　10.2  基于GAN的道路交通状况评估  134

         10.2.1  问题构建  135

         10.2.2  基于GAN的时空交通状态估计架构  135

         10.2.3  结果  137

　　10.3  案例研究1：基于 GAN 的出租车热点区域预测  138

         10.3.1  问题建模  138

         10.3.2  模型：基于 LSTM-CGAN 的热点预测  138

         10.3.3  结果  140

　　10.4  案例研究2：基于 GAN 的路面图像数据传输  141

         10.4.1  问题建模  141

         10.4.2  模型：基于 CycleGAN 的图像风格迁移  141

         10.4.3  结果  143

　　10.5  练习  143

第11章  边缘和并行人工智能  145

　　11.1  边缘计算概念  145

　　11.2  边缘人工智能  145

　　11.3  并行人工智能  146

　　11.4  联邦学习概念  146

　　11.5  联邦学习方法  147

         11.5.1  水平联邦学习  147

         11.5.2  垂直联邦学习  147

　　11.6  案例研究1：多任务交通监控中的并行和边缘人工智能  148

         11.6.1  动机  148

         11.6.2  并行边缘计算系统架构  148

　　11.7  案例研究 2：边缘人工智能在车辆近撞检测中的应用  151

         11.7.1  动机  151

         11.7.2  摄像头视角下的近撞相对运动模式  152

         11.7.3  边缘计算系统架构  153

         11.7.4  无需相机参数的近撞检测算法  154

         11.7.5  高度或宽度  155

         11.7.6  用于识别水平运动模式的边界框中心建模  155

         11.7.7  实验结果  156

　　11.8  案例研究 3：车辆轨迹预测的联邦学习  159

         11.8.1  动机  159

         11.8.2  方法论  160

         11.8.3  结果  164

　　11.9  练习  165

         11.9.1  联邦学习与边缘计算的基本概念  165

         11.9.2  联邦学习与边缘计算在智能交通中的应用  165

         11.9.3  边缘AI的优化与安全性  166

第12章  基于深度学习的短时交通流预测  167

　　12.1  基于GCN方法的交通流空间特征提取  167

         12.1.1  交通流的空间特征  167

         12.1.2  基于GCN方法的交通流空间特征提取的实例验证  168

　　12.2  基于LSTM方法的交通流时间特征提取  169

         12.2.1  交通流的时域特征  169

         12.2.2  基于LSTM方法的交通流时间特征提取的实例验证  170

　　12.3  基于GCN与LSTM混合模型的交通流时空预测  172

         12.3.1  交通流时空特征提取  172

         12.3.2  交通流时空预测问题描述  173

         12.3.3  LSTGCN模型搭建  174

         12.3.4  实例验证  176

         12.3.5  结果分析  178

第13章  基于视频理解的语义图像序列定位算法  180

　　13.1  多传感器数据采集硬件算法与预处理  180

         13.1.1  系统整体架构  180

         13.1.2  车载系统整体架构  181

　　13.2  数据集和评价指标  182

         13.2.1  官方基准数据集  182

         13.2.2  深圳大学城数据集  182

　　13.3  基于传统视频特征与深度学习结合的街景图像序列定位算法  183

         13.3.1  传统视频特征  183

         13.3.2  基于匹配、聚类的图像定位算法  183

         13.3.3  基于运动轨迹特征的图像定位算法  184

         13.3.4  基于时序位置编码和统计特征的图像定位算法  184

         13.3.5  图像定位算法构建  186

　　13.4  基于2D卷积时空特征融合的图像序列定位算法  186

         13.4.1  基于微调的2D卷积神经网络和SVM的基线模型  187

         13.4.2  基于深度和光流的 2D 卷积神经网络图像定位算法  188

         13.4.3  基于3D卷积时空特征融合的图像序列定位算法  190

         13.4.4  实验验证  191

　　13.5  基于注意力机制时空特征融合的图像序列定位算法  192

         13.5.1  基于ViT架构的基线模型  192

         13.5.2  基于关联时空注意力机制的图像定位算法  193

         13.5.3  基于重排对齐和时空分离注意力机制的图像定位算法  193

         13.5.4  实验验证  194

第14章  基于特征的图像匹配算法研究及应用  197

　　14.1  基于特征的图像匹配算法的研究意义  197

　　14.2  特征点提取及描述方法  197

         14.2.1  引言  197

         14.2.2  SIFT 特征提取  198

         14.2.3  SuperPoint 特征提取  199

         14.2.4  ASLFeat 特征提取  199

         14.2.5  各方法对比  200

　　14.3  基于稀疏图结构的特征匹配方法  202

         14.3.1  引言  202

         14.3.2  特征匹配问题定义  202

         14.3.3  基于稀疏图结构的匹配方法  202

         14.3.4  稀疏图结构的构建原理  203

　　14.4  基于层次化稀疏图神经网络的特征匹配算法设计  205

         14.4.1  引言  205

         14.4.2  算法的部署与训练  205

　　14.5  实验设置与分析  206

         14.5.1  引言  206

         14.5.2  基线方法  207

         14.5.3  图像匹配实验  207

         14.5.4  位姿估计实验  208

第15章  基于多摄像头的车辆检测跟踪定位  209

　　15.1  单摄像头车辆检测跟踪定位算法  209

         15.1.1  整体框架  209

         15.1.2  车辆信息获取  210

         15.1.3  车辆和车牌号码跟踪  212

　　15.2  多摄像头车辆检测跟踪定位算法  214

         15.2.1  整体框架  214

         15.2.2  轨迹匹配  215

　　15.3  实验结果与分析  217

         15.3.1  单摄像头实验  217

         15.3.2  多摄像头实验  226

第16章  未来的发展方向  228

　　16.1  深度学习技术在交通领域的未来趋势  228

　　16.2  人工智能交通的未来  229

　　16.3  本书拓展和未来规划  230

参考文献  231