机读格式显示(MARC)

• 000 01700nam0 2200313 450

• 001 0000860708

• 005 20220613162000.0

• 010 __ |a 978-7-121-43019-0 |d CNY98.00

• 100 __ |a 20220518d2022 em y0chiy50 ea

• 101 0_ |a chi

• 102 __ |a CN |b 110000

• 105 __ |a ak a 000yy

• 106 __ |a r

• 200 1_ |a 基于深度学习的道路短期交通状态时空序列预测 |A ji yu shen du xue xi de dao lu duan qi jiao tong zhuang tai shi kong xu lie yu ce |f 崔建勋 ... [等] 编著

• 210 __ |a 北京 |c 电子工业出版社 |d 2022

• 215 __ |a xv, 280页 |c 图 |d 24cm

• 304 __ |a 题名页题: 崔建勋, 曲明成, 杨海强, 张瞫, 邓军编著

• 312 __ |a 英文并列题名取自封面

• 320 __ |a 有书目 (第271-280页)

• 330 __ |a 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)。

• 510 1_ |a Temporal and spatial sequence prediction of short-term traffic state based on deep learning |z eng

• 606 0_ |a 道路网 |A dao lu wang |x 交通运输管理 |x 研究

• 690 __ |a U491 |v 5

• 701 _0 |a 崔建勋 |A cui jian xun |4 编著

• 701 _0 |a 曲明成 |A qu ming cheng |4 编著

• 701 _0 |a 杨海强 |A yang hai qiang |4 编著

• 801 _0 |a CN |b HDUL |c 20220613

• 905 __ |a HDUL |d U491/216

• 920 __ |a 233030 |z 1