本书涵盖了智能运输信息处理的全过程，包括信息的获取、预处理、集成、挖掘及表达，并用道路交通违法事故信息处理案例、动车组牵引系统故障信息处理案例两个案例说明和演示了智能运输信息处理的过程和方法。在编写过程中结合了算法原理与实际应用经验，全面而又不失重点地展现了现代智能信息处理技术应用，较为全面地表述了智能运输信息处理知识体系。本书内容丰富，取材新颖，是一本针对智能运输工程及相关专业的信息处理教材，是为了适应将交通运输类学生培养成“宽口径、高素质”专业人才的目标而编写的。

章 绪论
1.1 智能运输系统概述
1.1.1 智能运输系统基本概念
1.1.2 典型的智能运输信息系统
1.1.3 存在的问题
1.2 智能运输信息处理
1.2.1 数据与信息
1.2.2 智能运输信息处理技术与模式
1.2.3 智能时代的信息—大数据的重要性与必要性
小结
习题
第2章 数据预处理方法
2.1 概述
2.2 数据预处理的方法
2.2.1 数据描述
2.2.2 数据清洗
2.2.3 数据变换
2.2.4 数据离散化
2.2.5 数据集成
2.2.6 数据归约
小结
习题
第3章 智能运输信息分类技术
3.1 决策树分类器
3.1.1 决策树的基本原理与特点
3.1.2 决策树分类基本步骤
3.1.3 ID3算法
3.1.4 C4.5算法
3.1.5 决策树分类器在智能运输信息处理中的MATLAB应用实例
3.2 SVM分类器
3.2.1 线性核近似线性可分SVM
3.2.2 非线性SVM
3.2.3 SVM分类器在智能运输信息处理中的MATLAB应用实例
3.3 人工神经网络分类器
3.3.1 人工神经网络的基本构成和原理
3.3.2 BP神经网络分类器
3.3.3 径向基函数神经网络(RBF）
3.3.4 神经网络分类器在智能运输信息处理中的MATLAB应用实例
小结
习题
第4章 智能运输信息预测技术
4.1 .概述
4.2 时间序列预测法
4.2.1 基本步骤
4.2.2 基本特征
4.2.3 时间序列预测模型
4.2.4 模型检验
4.2.5 时间序列预测在智能运输信息处理中的MATLAB应用实例
4.3 回归分析预测法
4.3.1 基本步骤和应注意的问题
4.3.2 线性回归分析预测模型
4.3.3 非线性回归分析预测模型
4.3.4 回归分析预测在智能运输信息处理中的MATLAB应用实例
4.4 灰色预测法
4.4.1 灰色预测模型的特点及分类
4.4.2 灰色预测模型
4.4.3 灰色预测在智能运输信息处理中的MATLAB应用实例
小结
习题4
第5章 智能运输信息聚类技术
5.1 概述
5.2 k-means 聚类算法
5.2.1 k-means 聚类算法原理
5.2.2 k-means聚类算法步骤
5.2.3 k-means在智能运输信息处理中的MATLAB应用实例
5.3 层次聚类算法
5.3.1 层次聚类算法原理
5.3.2 层次聚类算法步骤
5.3.3 层次聚类在智能运输信息处理中的MATLAB应用实例
5.4 SOM聚类算法
5.4.1 SOM聚类算法原理
5.4.2 SOM聚类算法步骤
5.4.3 SOM聚类在智能运输信息处理中的MATLAB应用实例
小结
习题5
第6章 智能运输信息关联分析技术
6.1 概述
6.1.1 关联分析的概念和应用
6.1.2 关联分析的相关定义
6.2 一般关联规则算法—Apriori算法
6.2.1 Apriori算法原理
6.2.2 Apriori算法步骤
6.2.3 Apriori算法在MATLAB中的实例应用
6.3 序列模式挖掘算法—PrefixSpan算法
6.3.1 PrefixSpan 算法原理
6.3.2 PrefixSpan算法步骤
6.3.3 PrefixSpan算法在MATLAB中的实例应用
小结
习题
第7章 信息可视化技术
7.1 概述
7.2 信息可视化常用方法
7.2.1 柱状图
7.2.2 直方图
7.2.3 折线图
7.2.4 饼图
7.2.5 散点图
7.2.6 雷达图
7.2.7 帕累托图
7.3 信息表达技巧
7.3.1 面积尺寸可视化
7.3.2 颜色可视化
7.3.3 地域空间可视化
7.3.4 概念可视化
小结
习题
第8章 道路交通违法事故信息处理案例
8.1 数据的获取与预处理
8.1.1 数据的来源
8.1.2 数据的预处理
8.2 信息的集成
8.2.1 信息集成处理的意义
8.2.2 信息集成基本框架及过程
8.3 基于神经网络融合方法的交通事故多发原因分析
8.3.1 整体思路
8.3.2 输入向量构造
8.3.3 输出向量构造
8.3.4 神经网络的构建
8.3.5 训练结果
8.4 交通事故数据挖掘
8.4.1 概述
8.4.2 聚类分析
8.4.3 关联分析
小结
第9章 动车组牵引系统故障信息处理案例
9.1 数据的获取
9.1.1 数据来源
9.1.2 处理需求
9.2 数据预处理
9.2.1 故障数据剔除
9.2.2 故障数据字段归并处理
9.3 .数据特征分析与展示
9.3.1 单变量统计分析
9.3.2 多变量统计分析
9.3.3 部件故障属性计算
9.4 故障数据关联规则分析
9.4.1 故障信息特征词提取方法
9.4.2 关联规则构建方法
9.4.3 关联规则分析
小结
0章 智能运输信息处理技术前沿热点
10.1 信息处理技术发展趋势
10.2 人工智能、深度学习技术
10.2.1 人工智能技术
10.2.2 深度学习技术
10.2.3 国内外人工智能与深度学习发展
10.3 云计算、雾计算与边缘计算
10.3.1 云计算
10.3.2 雾计算
10.3.3 边缘计算
……