最新章節

• 封底
• 譯者簡介
• 推薦閱讀
• 參考文獻
• 10.5 總結
• 10.4.3 深入挖掘結果

• 封底 更新時間：2025-06-05 13:51:23
• 譯者簡介
• 推薦閱讀
• 參考文獻
• 10.5 總結
• 10.4.3 深入挖掘結果
• 10.4.2 在沒有先驗知識的情況下調整參數
• 10.4.1 合并多個復雜因素
• 10.4 交互式視覺數據分析
• 10.3.4 導出邊界以修剪機器學習的計算空間
• 10.3.3 縮減機器學習的候選對象
• 10.3.2 使用索引結構加速機器學習
• 10.3.1 動機
• 10.3 將機器學習與數據管理相結合
• 10.2.8 將軌跡轉換到其他表示形式
• 10.2.7 從軌跡中檢測異常
• 10.2.6 軌跡分類
• 10.2.5 軌跡模式挖掘
• 10.2.4 軌跡中的不確定性
• 10.2.3 軌跡數據管理
• 10.2.2 軌跡預處理
• 10.2.1 軌跡數據
• 10.2 軌跡數據挖掘
• 10.1.3 驗證假設
• 10.1.2 數據背后的信息
• 10.1.1 理解目標問題
• 10.1 如何選擇有用的數據集
• 第10章 城市數據分析的高級主題
• 參考文獻
• 9.6 總結
• 9.5.4 效率和可擴展性
• 9.5.3 機器學習算法的學習方法
• 9.5.2 機器學習任務的目標
• 9.5.1 數據集的體積、特征和洞察
• 9.5 不同融合方法的比較
• 9.4.4 基于遷移學習的知識融合
• 9.4.3 基于概率依賴的知識融合
• 9.4.2 基于相似性的知識融合
• 9.4.1 基于多視圖的知識融合
• 9.4 基于語義意義的知識融合
• 9.3.2 基于深度學習的知識融合
• 9.3.1 特征連接與正則化
• 9.3 基于特征的知識融合
• 9.2 基于階段的知識融合
• 9.1.2 與異構信息網絡的關系
• 9.1.1 與傳統數據集成的關系
• 9.1 引言
• 第9章 跨領域知識融合
• 參考文獻
• 8.9 總結
• 8.8.3 近似方法
• 8.8.2 表格動作值方法
• 8.8.1 強化學習的概念
• 8.8 強化學習
• 8.7.4 用于時空數據的深度學習
• 8.7.3 循環神經網絡
• 8.7.2 卷積神經網絡
• 8.7.1 人工神經網絡
• 8.7 深度學習
• 8.6.5 用于時空數據的馬爾可夫網絡
• 8.6.4 用于時空數據的貝葉斯網絡
• 8.6.3 馬爾可夫隨機場
• 8.6.2 貝葉斯網絡
• 8.6.1 一般概念
• 8.6 概率圖模型
• 8.5.3 時空數據的張量分解
• 8.5.2 張量分解方法
• 8.5.1 張量的基本概念
• 8.5 張量分解
• 8.4.2 時空數據的矩陣分解
• 8.4.1 基本矩陣分解方法
• 8.4 矩陣分解
• 8.3.2 時空數據的協同過濾
• 8.3.1 基本模型：基于用戶和基于物品
• 8.3 協同過濾
• 8.2.2 時間屬性
• 8.2.1 空間屬性
• 8.2 時空數據的獨特性質
• 8.1 引言
• 第8章 用于時空數據的高級機器學習技術
• 參考文獻
• 7.8 總結
• 7.7.2 基于統計的異常值檢測
• 7.7.1 基于鄰近性的異常值檢測
• 7.7 異常值檢測
• 7.6.3 回歸樹
• 7.6.2 自回歸
• 7.6.1 線性回歸
• 7.6 回歸
• 7.5.5 不平衡數據的分類
• 7.5.4 支持向量機
• 7.5.3 決策樹
• 7.5.2 樸素貝葉斯分類法
• 7.5.1 概念
• 7.5 分類
• 7.4.4 層次聚類方法
• 7.4.3 密度聚類方法
• 7.4.2 劃分聚類方法
• 7.4.1 概念
• 7.4 聚類
• 7.3.4 頻繁子圖模式挖掘
• 7.3.3 序列模式挖掘
• 7.3.2 頻繁項集挖掘方法
• 7.3.1 基本概念
• 7.3 頻繁模式挖掘和關聯規則
• 7.2.3 數據集成
• 7.2.2 數據轉換
• 7.2.1 數據清洗
• 7.2 數據預處理
• 7.1.2 數據挖掘與相關技術之間的關系
• 7.1.1 數據挖掘的一般框架
• 7.1 引言
• 第7章 城市數據的基本數據挖掘技術
• 第四部分 城市數據分析
• 6.5 總結
• 6.4 城市大數據平臺
• 6.3.3 管理基于網絡的時空動態數據
• 6.3.2 管理基于網絡的空間靜態時間動態數據
• 6.3.1 管理時空靜態網絡
• 6.3 管理基于網絡的數據
• 6.2.3 管理基于點的時空動態數據
• 6.2.2 管理基于點的空間靜態時間動態數據
• 6.2.1 管理基于點的時空靜態數據
• 6.2 管理基于點的數據
• 6.1.2 云上的通用數據管理方案
• 6.1.1 挑戰
• 6.1 引言
• 第6章 在云端管理時空數據
• 參考文獻
• 5.5 總結
• 5.4.3 API應用
• 5.4.2 移動應用
• 5.4.1 Web應用
• 5.4 應用
• 5.3.3 HDInsight
• 5.3.2 云服務
• 5.3.1 虛擬機
• 5.3 計算
• 5.2.3 Redis緩存
• 5.2.2 Azure存儲
• 5.2.1 SQL數據庫
• 5.2 存儲
• 5.1 引言
• 第5章 云計算導論
• 參考文獻
• 4.6 總結
• 4.5.3 管理多個數據集的索引
• 4.5.2 空間關鍵詞
• 4.5.1 查詢和動機
• 4.5 管理多個數據集的混合索引
• 4.4.3 軌跡數據管理
• 4.4.2 移動對象數據庫
• 4.4.1 管理空間靜態時間動態數據
• 4.4 時空數據管理
• 4.3.4 基于R樹的空間索引
• 4.3.3 基于k-d樹的空間索引
• 4.3.2 基于四叉樹的空間索引
• 4.3.1 基于網格的空間索引
• 4.3 空間數據管理
• 4.2.6 基于網絡的時空數據
• 4.2.5 基于網絡的空間時間序列數據
• 4.2.4 基于網絡的空間靜態數據
• 4.2.3 基于點的時空數據
• 4.2.2 基于點的空間時間序列數據
• 4.2.1 基于點的空間靜態數據
• 4.2 數據結構
• 4.1.4 檢索算法
• 4.1.3 索引
• 4.1.2 查詢
• 4.1.1 數據結構
• 4.1 引言
• 第4章 時空數據管理
• 第三部分 城市數據管理
• 參考文獻
• 3.5 總結
• 3.4.4 時空模型
• 3.4.3 時間模型
• 3.4.2 空間模型
• 3.4.1 問題與挑戰
• 3.4 補充缺失值
• 3.3.2 參與者招募與任務設計
• 3.3.1 數據評估
• 3.3 以人為中心的城市感知
• 3.2.4 最小化不確定性
• 3.2.3 學習排序候選位置
• 3.2.2 最大化覆蓋范圍
• 3.2.1 尋找最佳匯合點
• 3.2 傳感器和設施部署
• 3.1.2 城市感知的一般框架
• 3.1.1 城市感知的四種范式
• 3.1 引言
• 第3章 城市感知
• 第二部分 城市感知與數據采集
• 參考文獻
• 2.9 總結
• 2.8.2 預測人群流動
• 2.8.1 檢測城市異常
• 2.8 用于公共安全和保障的城市計算
• 2.7.2 優化城市物流
• 2.7.1 商業位置選擇
• 2.7 用于經濟服務的城市計算
• 2.6.3 位置推薦
• 2.6.2 理解基于位置的社交網絡中的用戶
• 2.6.1 基于位置的社交網絡概念
• 2.6 用于社交應用的城市計算
• 2.5.2 電力消耗
• 2.5.1 汽油消耗
• 2.5 用于城市能源消耗的城市計算
• 2.4.3 城市水資源
• 2.4.2 噪聲污染
• 2.4.1 空氣質量
• 2.4 用于環境的城市計算
• 2.3.5 自行車共享系統
• 2.3.4 地鐵服務
• 2.3.3 改善公交服務
• 2.3.2 改善出租車服務
• 2.3.1 改善駕駛體驗
• 2.3 用于交通系統的城市計算
• 2.2.4 設施和資源部署
• 2.2.3 檢測城市邊界
• 2.2.2 發現功能區域
• 2.2.1 揭示交通網絡中的潛在問題
• 2.2 用于城市規劃的城市計算
• 2.1 引言
• 第2章 城市計算應用
• 參考文獻
• 1.6 公共數據集
• 1.5.10 醫療保健
• 1.5.9 經濟
• 1.5.8 能源
• 1.5.7 社交網絡數據
• 1.5.6 環境監測數據
• 1.5.5 通勤數據
• 1.5.4 移動電話數據
• 1.5.3 道路網絡上的交通數據
• 1.5.2 地理數據
• 1.5.1 城市數據的分類
• 1.5 城市數據
• 1.4.4 城市服務挑戰
• 1.4.3 城市數據分析挑戰
• 1.4.2 城市數據管理挑戰
• 1.4.1 城市感知挑戰
• 1.4 城市計算的關鍵挑戰
• 1.3.2 各層功能
• 1.3.1 簡述和示例
• 1.3 總體框架
• 1.2 城市計算的定義
• 1.1 引言
• 第1章 概述
• 第一部分 概念和框架
• 關于作者
• 致謝
• 前言
• 譯者序
• 插圖
• 作者簡介
• 版權信息
• 封面

• 封面
• 版權信息
• 作者簡介
• 插圖
• 譯者序
• 前言
• 致謝
• 關于作者
• 第一部分 概念和框架
• 第1章 概述
• 1.1 引言
• 1.2 城市計算的定義
• 1.3 總體框架
• 1.3.1 簡述和示例
• 1.3.2 各層功能
• 1.4 城市計算的關鍵挑戰
• 1.4.1 城市感知挑戰
• 1.4.2 城市數據管理挑戰
• 1.4.3 城市數據分析挑戰
• 1.4.4 城市服務挑戰
• 1.5 城市數據
• 1.5.1 城市數據的分類
• 1.5.2 地理數據
• 1.5.3 道路網絡上的交通數據
• 1.5.4 移動電話數據
• 1.5.5 通勤數據
• 1.5.6 環境監測數據
• 1.5.7 社交網絡數據
• 1.5.8 能源
• 1.5.9 經濟
• 1.5.10 醫療保健
• 1.6 公共數據集
• 參考文獻
• 第2章 城市計算應用
• 2.1 引言
• 2.2 用于城市規劃的城市計算
• 2.2.1 揭示交通網絡中的潛在問題
• 2.2.2 發現功能區域
• 2.2.3 檢測城市邊界
• 2.2.4 設施和資源部署
• 2.3 用于交通系統的城市計算
• 2.3.1 改善駕駛體驗
• 2.3.2 改善出租車服務
• 2.3.3 改善公交服務
• 2.3.4 地鐵服務
• 2.3.5 自行車共享系統
• 2.4 用于環境的城市計算
• 2.4.1 空氣質量
• 2.4.2 噪聲污染
• 2.4.3 城市水資源
• 2.5 用于城市能源消耗的城市計算
• 2.5.1 汽油消耗
• 2.5.2 電力消耗
• 2.6 用于社交應用的城市計算
• 2.6.1 基于位置的社交網絡概念
• 2.6.2 理解基于位置的社交網絡中的用戶
• 2.6.3 位置推薦
• 2.7 用于經濟服務的城市計算
• 2.7.1 商業位置選擇
• 2.7.2 優化城市物流
• 2.8 用于公共安全和保障的城市計算
• 2.8.1 檢測城市異常
• 2.8.2 預測人群流動
• 2.9 總結
• 參考文獻
• 第二部分 城市感知與數據采集
• 第3章 城市感知
• 3.1 引言
• 3.1.1 城市感知的四種范式
• 3.1.2 城市感知的一般框架
• 3.2 傳感器和設施部署
• 3.2.1 尋找最佳匯合點
• 3.2.2 最大化覆蓋范圍
• 3.2.3 學習排序候選位置
• 3.2.4 最小化不確定性
• 3.3 以人為中心的城市感知
• 3.3.1 數據評估
• 3.3.2 參與者招募與任務設計
• 3.4 補充缺失值
• 3.4.1 問題與挑戰
• 3.4.2 空間模型
• 3.4.3 時間模型
• 3.4.4 時空模型
• 3.5 總結
• 參考文獻
• 第三部分 城市數據管理
• 第4章 時空數據管理
• 4.1 引言
• 4.1.1 數據結構
• 4.1.2 查詢
• 4.1.3 索引
• 4.1.4 檢索算法
• 4.2 數據結構
• 4.2.1 基于點的空間靜態數據
• 4.2.2 基于點的空間時間序列數據
• 4.2.3 基于點的時空數據
• 4.2.4 基于網絡的空間靜態數據
• 4.2.5 基于網絡的空間時間序列數據
• 4.2.6 基于網絡的時空數據
• 4.3 空間數據管理
• 4.3.1 基于網格的空間索引
• 4.3.2 基于四叉樹的空間索引
• 4.3.3 基于k-d樹的空間索引
• 4.3.4 基于R樹的空間索引
• 4.4 時空數據管理
• 4.4.1 管理空間靜態時間動態數據
• 4.4.2 移動對象數據庫
• 4.4.3 軌跡數據管理
• 4.5 管理多個數據集的混合索引
• 4.5.1 查詢和動機
• 4.5.2 空間關鍵詞
• 4.5.3 管理多個數據集的索引
• 4.6 總結
• 參考文獻
• 第5章 云計算導論
• 5.1 引言
• 5.2 存儲
• 5.2.1 SQL數據庫
• 5.2.2 Azure存儲
• 5.2.3 Redis緩存
• 5.3 計算
• 5.3.1 虛擬機
• 5.3.2 云服務
• 5.3.3 HDInsight
• 5.4 應用
• 5.4.1 Web應用
• 5.4.2 移動應用
• 5.4.3 API應用
• 5.5 總結
• 參考文獻
• 第6章 在云端管理時空數據
• 6.1 引言
• 6.1.1 挑戰
• 6.1.2 云上的通用數據管理方案
• 6.2 管理基于點的數據
• 6.2.1 管理基于點的時空靜態數據
• 6.2.2 管理基于點的空間靜態時間動態數據
• 6.2.3 管理基于點的時空動態數據
• 6.3 管理基于網絡的數據
• 6.3.1 管理時空靜態網絡
• 6.3.2 管理基于網絡的空間靜態時間動態數據
• 6.3.3 管理基于網絡的時空動態數據
• 6.4 城市大數據平臺
• 6.5 總結
• 第四部分 城市數據分析
• 第7章 城市數據的基本數據挖掘技術
• 7.1 引言
• 7.1.1 數據挖掘的一般框架
• 7.1.2 數據挖掘與相關技術之間的關系
• 7.2 數據預處理
• 7.2.1 數據清洗
• 7.2.2 數據轉換
• 7.2.3 數據集成
• 7.3 頻繁模式挖掘和關聯規則
• 7.3.1 基本概念
• 7.3.2 頻繁項集挖掘方法
• 7.3.3 序列模式挖掘
• 7.3.4 頻繁子圖模式挖掘
• 7.4 聚類
• 7.4.1 概念
• 7.4.2 劃分聚類方法
• 7.4.3 密度聚類方法
• 7.4.4 層次聚類方法
• 7.5 分類
• 7.5.1 概念
• 7.5.2 樸素貝葉斯分類法
• 7.5.3 決策樹
• 7.5.4 支持向量機
• 7.5.5 不平衡數據的分類
• 7.6 回歸
• 7.6.1 線性回歸
• 7.6.2 自回歸
• 7.6.3 回歸樹
• 7.7 異常值檢測
• 7.7.1 基于鄰近性的異常值檢測
• 7.7.2 基于統計的異常值檢測
• 7.8 總結
• 參考文獻
• 第8章 用于時空數據的高級機器學習技術
• 8.1 引言
• 8.2 時空數據的獨特性質
• 8.2.1 空間屬性
• 8.2.2 時間屬性
• 8.3 協同過濾
• 8.3.1 基本模型：基于用戶和基于物品
• 8.3.2 時空數據的協同過濾
• 8.4 矩陣分解
• 8.4.1 基本矩陣分解方法
• 8.4.2 時空數據的矩陣分解
• 8.5 張量分解
• 8.5.1 張量的基本概念
• 8.5.2 張量分解方法
• 8.5.3 時空數據的張量分解
• 8.6 概率圖模型
• 8.6.1 一般概念
• 8.6.2 貝葉斯網絡
• 8.6.3 馬爾可夫隨機場
• 8.6.4 用于時空數據的貝葉斯網絡
• 8.6.5 用于時空數據的馬爾可夫網絡
• 8.7 深度學習
• 8.7.1 人工神經網絡
• 8.7.2 卷積神經網絡
• 8.7.3 循環神經網絡
• 8.7.4 用于時空數據的深度學習
• 8.8 強化學習
• 8.8.1 強化學習的概念
• 8.8.2 表格動作值方法
• 8.8.3 近似方法
• 8.9 總結
• 參考文獻
• 第9章 跨領域知識融合
• 9.1 引言
• 9.1.1 與傳統數據集成的關系
• 9.1.2 與異構信息網絡的關系
• 9.2 基于階段的知識融合
• 9.3 基于特征的知識融合
• 9.3.1 特征連接與正則化
• 9.3.2 基于深度學習的知識融合
• 9.4 基于語義意義的知識融合
• 9.4.1 基于多視圖的知識融合
• 9.4.2 基于相似性的知識融合
• 9.4.3 基于概率依賴的知識融合
• 9.4.4 基于遷移學習的知識融合
• 9.5 不同融合方法的比較
• 9.5.1 數據集的體積、特征和洞察
• 9.5.2 機器學習任務的目標
• 9.5.3 機器學習算法的學習方法
• 9.5.4 效率和可擴展性
• 9.6 總結
• 參考文獻
• 第10章 城市數據分析的高級主題
• 10.1 如何選擇有用的數據集
• 10.1.1 理解目標問題
• 10.1.2 數據背后的信息
• 10.1.3 驗證假設
• 10.2 軌跡數據挖掘
• 10.2.1 軌跡數據
• 10.2.2 軌跡預處理
• 10.2.3 軌跡數據管理
• 10.2.4 軌跡中的不確定性
• 10.2.5 軌跡模式挖掘
• 10.2.6 軌跡分類
• 10.2.7 從軌跡中檢測異常
• 10.2.8 將軌跡轉換到其他表示形式
• 10.3 將機器學習與數據管理相結合
• 10.3.1 動機
• 10.3.2 使用索引結構加速機器學習
• 10.3.3 縮減機器學習的候選對象
• 10.3.4 導出邊界以修剪機器學習的計算空間
• 10.4 交互式視覺數據分析
• 10.4.1 合并多個復雜因素
• 10.4.2 在沒有先驗知識的情況下調整參數
• 10.4.3 深入挖掘結果
• 10.5 總結
• 參考文獻
• 推薦閱讀
• 譯者簡介
• 封底 更新時間：2025-06-05 13:51:23