面向交通研究與應用的機器學習技術

基於作者團隊20多年在機器學習領域的研究與教學經驗，系統介紹機器學習原理、方法及其在交通領域的應用，為讀者提供全面的知識和實用的指導。

目   錄

 

第1章  引言  1

　　1.1  背景  1

         1.1.1  交通運輸的重要性  1

         1.1.2  研究動機  2

　　1.2  機器學習在交通研究和應用中前景廣闊  2

         1.2.1  機器學習發展簡述  2

         1.2.2  交通研究與應用中的機器學習  3

　　1.3  本書架構  4

第2章  交通數據與傳感  6

　　2.1  數據量激增  6

　　2.2  ITS 數據需求  6

　　2.3  基礎設施導向型數據與傳感技術  7

         2.3.1  交通流量監測  7

         2.3.2  旅行時間估算  8

         2.3.3  交通異常識別  8

         2.3.4  車輛停放監測  9

　　2.4  車載數據與感知技術  10

         2.4.1  交通臨近碰撞檢測  10

         2.4.2  道路使用者行為監測  11

         2.4.3  路面及車道識別技術研究  11

         2.4.4  語義分割技術  12

　　2.5  利用航空遙感技術獲取地面交通數據  12

         2.5.1  道路交通參與者的檢測與追蹤  13

         2.5.2  高級航空遙感技術  13

         2.5.3  利用無人機技術進行基礎設施數據采集  14

　　2.6  ITS 數據質量控制與數據融合技術研究  14

　　2.7  交通數據傳輸與感知技術的挑戰  15

         2.7.1  異質性  15

         2.7.2  傳感器故障的高風險概率  16

         2.7.3  極端條件下的傳感機制  17

         2.7.4  隱私保護  17

　　2.8  練習  18

第3章  機器學習基礎  19

　　3.1  機器學習分類  19

         3.1.1  監督學習 v.s. 無監督學習  19

         3.1.2  生成式與判別式算法  20

         3.1.3  參數化與非參數化建模  20

　　3.2  監督學習  21

         3.2.1  線性回歸  21

         3.2.2  邏輯回歸  25

　　3.3  無監督學習  27

         3.3.1  主成分分析  27

         3.3.2  聚類  27

　　3.4  機器學習中的關鍵概念  28

         3.4.1  損失函數  28

         3.4.2  正則化  28

         3.4.3  梯度下降 v.s. 梯度上升  29

         3.4.4  K-折交叉驗證  29

　　3.5  練習  30

第4章  全連接神經網絡  32

　　4.1  線性回歸  32

　　4.2  深度神經網絡基礎  33

         4.2.1  感知器  33

         4.2.2  隱藏層  34

         4.2.3  激活函數  35

         4.2.4  損失函數  36

         4.2.5  反向傳播  36

         4.2.6  驗證數據集  39

         4.2.7  欠擬合或過擬合  40

　　4.3  交通應用  40

         4.3.1  交通預測  40

         4.3.2  交通標誌圖像分類  41

　　4.4  練習  42

第5章  卷積神經網絡  44

　　5.1  學習預期  44

　　5.2  卷積神經網絡基本原理  44

         5.2.1  從全連接層到卷積  44

         5.2.2  卷積  45

         5.2.3  架構  46

         5.2.4  AlexNet  48

　　5.3  案例研究1：交通監控視頻感知技術  48

　　5.4  案例研究2：時空交通模式學習  50

　　5.5  案例研究3：用於數據插補的CNN  54

         5.5.1  基於CNN的數據插補方法  55

         5.5.2  實驗  57

　　5.6  練習  62

第6章  循環神經網絡  64

　　6.1  RNN基礎  64

　　6.2  RNN變體及相關架構  65

         6.2.1  長短期記憶和門控循環單元  65

         6.2.2  雙向RNN  67

         6.2.3  序列到序列  68

　　6.3  RNN作為交通應用的基礎構建塊  68

         6.3.1  用於道路交通預測的RNN  68

         6.3.2  缺失值下的交通預測  70

　　6.4  練習  72

         6.4.1  問題  72

         6.4.2  項目：使用LSTM預測西雅圖地區的全網交通  73

第7章  強化學習  75

　　7.1  強化學習設置  75

         7.1.1  馬爾可夫性質  76

         7.1.2  強化學習的目標  76

         7.1.3  強化學習中的類別和術語  77

　　7.2  基於價值的方法  79

         7.2.1  Q-learning  80

         7.2.2  深度Q網絡  81

         7.2.3  雙DQN  81

　　7.3  深度強化學習中的策略梯度方法  82

         7.3.1  隨機策略梯度  82

         7.3.2  確定性策略梯度  83

　　7.4  結合策略梯度和Q學習的方法  84

　　7.5  案例研究1：交通信號控制  85

　　7.6  案例研究2：車輛跟隨控制  86

         7.6.1  代理公式化  88

         7.6.2  模型和仿真設置  88

　　7.7  案例研究3：公交車聚堆控制  89

　　7.8  練習  91

第8章  遷移學習  93

　　8.1  什麼是遷移學習  93

　　8.2  為什麼使用遷移學習  93

　　8.3  定義  94

　　8.4  遷移學習步驟  94

　　8.5  遷移學習類型  95

         8.5.1  域適應  95

         8.5.2  多任務學習  95

         8.5.3  零樣本學習  95

         8.5.4  少樣本學習  96

　　8.6  案例研究1：通過遷移學習增強車輛檢測性能  97

　　8.7  案例研究2：基於屬性表示學習的停車信息管理與預測系統  98

         8.7.1  背景  98

         8.7.2  方法  99

         8.7.3  結果  104

　　8.8  案例研究3：夜間交通檢測的遷移學習  105

　　8.9  案例研究4：從模擬到現實世界的駕駛行為識別知識轉移  107

　　8.10  練習  109

         8.10.1  遷移學習的基本概念  109

         8.10.2  遷移學習在交通領域的應用  109

         8.10.3  遷移學習的挑戰與優化  109

         8.10.4  計算練習  110

第9章  圖神經網絡  111

　　9.1  基礎知識  111

　　9.2  圖神經網絡  111

         9.2.1  頻譜GNN  111

         9.2.2  空間GNN  113

         9.2.3  基於註意力的GNN  113

　　9.3  案例研究1：交通圖卷積網絡用於交通預測  114

         9.3.1  問題定義  114

         9.3.2  方法：交通圖卷積LSTM  116

         9.3.3  結果  117

　　9.4  案例研究2：帶有缺失值的交通預測的圖神經網絡  119

         9.4.1  問題定義  119

         9.4.2  方法：圖馬爾可夫網絡  122

         9.4.3  結果  123

　　9.5  案例研究3：用於車輛關鍵點校正的圖神經網絡  125

         9.5.1  問題定義  125

         9.5.2  方法：用於關鍵點校正的圖神經網絡  126

         9.5.3  結果  127

　　9.6  練習  128

第10章  生成對抗網絡  130

　　10.1  生成對抗網絡  130

         10.1.1  二分類  130

         10.1.2  二分類的原始GAN公式  131

         10.1.3  目標（損失）函數  132

         10.1.4  優化算法  133

　　10.2  基於GAN的道路交通狀況評估  134

         10.2.1  問題構建  135

         10.2.2  基於GAN的時空交通狀態估計架構  135

         10.2.3  結果  137

　　10.3  案例研究1：基於 GAN 的出租車熱點區域預測  138

         10.3.1  問題建模  138

         10.3.2  模型：基於 LSTM-CGAN 的熱點預測  138

         10.3.3  結果  140

　　10.4  案例研究2：基於 GAN 的路面圖像數據傳輸  141

         10.4.1  問題建模  141

         10.4.2  模型：基於 CycleGAN 的圖像風格遷移  141

         10.4.3  結果  143

　　10.5  練習  143

第11章  邊緣和並行人工智能  145

　　11.1  邊緣計算概念  145

　　11.2  邊緣人工智能  145

　　11.3  並行人工智能  146

　　11.4  聯邦學習概念  146

　　11.5  聯邦學習方法  147

         11.5.1  水平聯邦學習  147

         11.5.2  垂直聯邦學習  147

　　11.6  案例研究1：多任務交通監控中的並行和邊緣人工智能  148

         11.6.1  動機  148

         11.6.2  並行邊緣計算系統架構  148

　　11.7  案例研究 2：邊緣人工智能在車輛近撞檢測中的應用  151

         11.7.1  動機  151

         11.7.2  攝像頭視角下的近撞相對運動模式  152

         11.7.3  邊緣計算系統架構  153

         11.7.4  無需相機參數的近撞檢測算法  154

         11.7.5  高度或寬度  155

         11.7.6  用於識別水平運動模式的邊界框中心建模  155

         11.7.7  實驗結果  156

　　11.8  案例研究 3：車輛軌跡預測的聯邦學習  159

         11.8.1  動機  159

         11.8.2  方法論  160

         11.8.3  結果  164

　　11.9  練習  165

         11.9.1  聯邦學習與邊緣計算的基本概念  165

         11.9.2  聯邦學習與邊緣計算在智能交通中的應用  165

         11.9.3  邊緣AI的優化與安全性  166

第12章  基於深度學習的短時交通流預測  167

　　12.1  基於GCN方法的交通流空間特征提取  167

         12.1.1  交通流的空間特征  167

         12.1.2  基於GCN方法的交通流空間特征提取的實例驗證  168

　　12.2  基於LSTM方法的交通流時間特征提取  169

         12.2.1  交通流的時域特征  169

         12.2.2  基於LSTM方法的交通流時間特征提取的實例驗證  170

　　12.3  基於GCN與LSTM混合模型的交通流時空預測  172

         12.3.1  交通流時空特征提取  172

         12.3.2  交通流時空預測問題描述  173

         12.3.3  LSTGCN模型搭建  174

         12.3.4  實例驗證  176

         12.3.5  結果分析  178

第13章  基於視頻理解的語義圖像序列定位算法  180

　　13.1  多傳感器數據采集硬件算法與預處理  180

         13.1.1  系統整體架構  180

         13.1.2  車載系統整體架構  181

　　13.2  數據集和評價指標  182

         13.2.1  官方基準數據集  182

         13.2.2  深圳大學城數據集  182

　　13.3  基於傳統視頻特征與深度學習結合的街景圖像序列定位算法  183

         13.3.1  傳統視頻特征  183

         13.3.2  基於匹配、聚類的圖像定位算法  183

         13.3.3  基於運動軌跡特征的圖像定位算法  184

         13.3.4  基於時序位置編碼和統計特征的圖像定位算法  184

         13.3.5  圖像定位算法構建  186

　　13.4  基於2D卷積時空特征融合的圖像序列定位算法  186

         13.4.1  基於微調的2D卷積神經網絡和SVM的基線模型  187

         13.4.2  基於深度和光流的 2D 卷積神經網絡圖像定位算法  188

         13.4.3  基於3D卷積時空特征融合的圖像序列定位算法  190

         13.4.4  實驗驗證  191

　　13.5  基於註意力機制時空特征融合的圖像序列定位算法  192

         13.5.1  基於ViT架構的基線模型  192

         13.5.2  基於關聯時空註意力機制的圖像定位算法  193

         13.5.3  基於重排對齊和時空分離註意力機制的圖像定位算法  193

         13.5.4  實驗驗證  194

第14章  基於特征的圖像匹配算法研究及應用  197

　　14.1  基於特征的圖像匹配算法的研究意義  197

　　14.2  特征點提取及描述方法  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  各方法對比  200

　　14.3  基於稀疏圖結構的特征匹配方法  202

         14.3.1  引言  202

         14.3.2  特征匹配問題定義  202

         14.3.3  基於稀疏圖結構的匹配方法  202

         14.3.4  稀疏圖結構的構建原理  203

　　14.4  基於層次化稀疏圖神經網絡的特征匹配算法設計  205

         14.4.1  引言  205

         14.4.2  算法的部署與訓練  205

　　14.5  實驗設置與分析  206

         14.5.1  引言  206

         14.5.2  基線方法  207

         14.5.3  圖像匹配實驗  207

         14.5.4  位姿估計實驗  208

第15章  基於多攝像頭的車輛檢測跟蹤定位  209

　　15.1  單攝像頭車輛檢測跟蹤定位算法  209

         15.1.1  整體框架  209

         15.1.2  車輛信息獲取  210

         15.1.3  車輛和車牌號碼跟蹤  212

　　15.2  多攝像頭車輛檢測跟蹤定位算法  214

         15.2.1  整體框架  214

         15.2.2  軌跡匹配  215

　　15.3  實驗結果與分析  217

         15.3.1  單攝像頭實驗  217

         15.3.2  多攝像頭實驗  226

第16章  未來的發展方向  228

　　16.1  深度學習技術在交通領域的未來趨勢  228

　　16.2  人工智能交通的未來  229

　　16.3  本書拓展和未來規劃  230

參考文獻  231