本书从交通数据分析全流程入手，系统讲述了数据存储、数据处理、数据可视化的理论与方法，并通过具体案例展示了数据科学理论在交通运输领域的应用场景。全书共15章，包括：绪论、关系型数据库建模与设计、数据库语言及其应用、地理空间数据库、交通数据处理编程实践、交通数据统计理论、回归模型与时间序列分析、支持向量机、决策树、集成学习、聚类分析、神经网络、深度学习、数据可视化和交通大数据应用实例。本书各个章节均配备了可供下载的交通数据集与代码，并详细展示了其使用方法。
本书既可作为高等学校交通运输类专业教材，供高年级本科生及研究生使用，也可为交通工程师、规划师等相关领域的技术及研究人员提供参考。

第1章 绪论
1.1 交通大数据定义与类型
1.2 交通数据科学发展历程
1.3 交通数据科学挑战与展望
1.4 本书特点
1.5 本书大纲与数据集简介
本章参考文献
第2章 关系型数据库建模与设计
2.1 数据库系统基本概念
2.2 数据库设计
本章参考文献
第3章 数据库语言及其应用
3.1 数据库基本操作语言
3.2 数据库高级操作语言
3.3 数据库约束
3.4 数据导入案例
本章参考文献
第4章 地理空间数据库
4.1 地理空间数据类型
4.2 地理空间数据编码
4.3 地理空间数据操作
第5章 交通数据处理编程实践
5.1 R语言编程基础
5.2 R语言与数据库连接
5.3 Pvthon语言编程基础
5.4 P~thon语言与数据库连接
习题
本章参考文献
第6章 交通数据统计理论
6.1 数理统计基础
6.2 典型概率密度函数及其应用
6.3 排队论
6.4 随机过程
6.5 参数估计
6.6 假设检验
习题
本章参考文献
第7章 回归模型与时间序列分析
7.1 线性回归
7.2 逻辑回归
7.3 泊松回归与负二项回归
7.4 平稳时间序列分析
7.5 线性回归案例应用
7.6 时问序列分析案例应用
习题
本章参考文献
第8章 支持向量机
8.1 线性支持向量机
8.2 非线性支持向量机
8.3 支持向量机应用案例讲解
习题
本章参考文献
第9章 决策树
9.1 决策树模型
9.2 决策树参数设置及剪枝
9.3 决策树应用案例讲解
习题
本章参考文献
第10章 集成学习
10.1 引言
10.2 B00sting
10.3 Bagging
10.4 Stacking
10.5 案例应用
习题
本章参考文献
第11章 聚类分析
11.1 引言
11.2 基本概念
11.3 K.means聚类
11.4 层次聚类
11.5 密度聚类
11.6 案例应用
习题
本章参考文献
第12章 神经网络
12.1 人工神经网络模型
12.2 神经网络的训练
12.3 神经网络的技巧(Trick)
12.4 在Pvthon环境中实践神经网络
习题
本章参考文献
第13章 深度学习
13.1 深度学习简介
13.2 卷积神经网络(cNN)
13.3 循环神经网络(RNN)
13.4 在Pvthon环境中实践深度学习
习题
本章参考文献
第14章 数据可视化
14.1 数据可视化基本方法
14.2 使用R shiny进行数据可视化
14.3 基于R shinv的交通轨迹数据可视化案例
习题
本章参考文献
第15章 交通大数据应用实例
15.1 交通安全数据建模
15.2 道路通行能力计算
15.3 基于轨迹数据的地图匹配方法
习题
本章参考文献