第1章 緒論
1．1 智能運輸系統(tǒng)概述
1．1．1 智能運輸系統(tǒng)基本概念
1．1．2 典型的智能運輸信息系統(tǒng)
1．1．3 存在的問題
1．2 智能運輸信息處理
1．2．1 數(shù)據(jù)與信息
1．2．2 智能運輸信息處理技術與模式
1．2．3 智能時代的信息——大數(shù)據(jù)的重要性與必要性
小結
習題1

第2章 數(shù)據(jù)預處理方法
2．1 概述
2．2 數(shù)據(jù)預處理的方法
2．2．1 數(shù)據(jù)描述
2．2．2 數(shù)據(jù)清洗
2．2．3 數(shù)據(jù)變換
2．2．4 數(shù)據(jù)離散化
2．2．5 數(shù)據(jù)集成
2．2．6 數(shù)據(jù)歸約
小結
習題2

第3章 智能運輸信息分類技術
3．1 決策樹分類器
3．1．1 決策樹的基本原理與特點
3．1．2 決策樹分類基本步驟
3．1．3 ID3算法
3．1．4 C4．5 算法
3．1．5 決策樹分類器在智能運輸信息處理中的MATLAB應用實例
3．2 SVM分類器
3．2．1 線性核近似線性可分SVM
3．2．2 非線性SVM
3．2．3 SVM分類器在智能運輸信息處理中的MATLAB應用實例
3．3 人工神經網絡分類器
3．3．1 人工神經網絡的基本構成和原理
3．3．2 BP神經網絡分類器
3．3．3 徑向基函數(shù)神經網絡（RBF）
3．3．4 神經網絡分類器在智能運輸信息處理中的MATLAB應用實例
小結
習題3

第4章 智能運輸信息預測技術
4．1 概述
4．2 時間序列預測法
4．2．1 基本步驟
4．2．2 基本特征
4．2．3 時間序列預測模型
4．2．4 模型檢驗
4．2．5 時間序列預測在智能運輸信息處理中的MATLAB應用實例
4．3 回歸分析預測法
4．3．1 基本步驟和應注意的問題
4．3．2 線性回歸分析預測模型
4．3．3 非線性回歸分析預測模型
4．3．4 回歸分析預測在智能運輸信息處理中的MATJAB應用實例
4．4 灰色預測法
4．4．1 灰色預測模型的特點及分類
4．4．2 灰色預測模型
4．4．3 灰色預測在智能運輸信息處理中的MATLAB應用實例
小結
習題4

第5章 智能運輸信息聚類技術
5．1 概述
5．2 k-means聚類算法
5．2．1 k-means聚類算法原理
5．2．2 k-means聚類算法步驟
5．2．3 k-means在智能運輸信息處理中的MATLAB應用實例
5．3 層次聚類算法
5．3．1 層次聚類算法原理
5．3．2 層次聚類算法步驟
5．3．3 層次聚類在智能運輸信息處理中的MATLAB應用實例
5．4 SOM聚類算法
5．4．1 SOM聚類算法原理
5．4．2 SOM聚類算法步驟
5．4．3 SOM聚類在智能運輸信息處理中的MATLAB應用實例
小結
習題5
……
第6章 智能運輸信息關聯(lián)分析技術
第7章 信息可視化技術
第8章 道路交通違法事故信息處理案例
第9章 動車組牽引系統(tǒng)故障信息處理案例
第10章 智能運輸信息處理技術前沿熱點
參考文獻