第一篇  理论基础
  第1章  绪论
    1.1  交通数据
    1.2  数据分析
    1.3  数据分析方法及平台
    1.4  本章小结
    本章参考文献
  第2章  交通数据描述性统计
    2.1  集中趋势度量
    2.2  相对位置度量
    2.3  离散程度描述
    2.4  偏态和峰杰
    2.5  相关性描述
    2.6  估计量特性
    2.7  数据可视化方法
    2.8  本章小结
    本章参考文献
  第3章  置信区间与假设检验
    3.1  置信区间
    3.2  假设检验
    3.3  本章小结
    本章参考文献
  第4章  总体的假设检验
    4.1  单个总体的假设检验
    4.2  两个总体的比较
    4.3  非参数检验方法
    4.4  本章小结
    本章参考文献
第二篇  交通数据传统回归方法
  第5章  线性回归与非线性回归
    5.1  线性回归
    5.2  非线性回归
    5.3  本章小结
    本章参考文献
  第6章  离散模型
    6.1  离散选择模型
    6.2  离散-连续模型
    6.3  计数模型
    6.4  本章小结
    本章参考文献
  第7章  时间序列模型
    7.1  时间序列概述
    7.2  时间序列及其分类
    7.3  时间序列分解
    7.4  时间序列预处理
    7.5  平稳时间序列分析
    7.6  平稳时间序列模型建立
    7.7  案例：道路交通事故预测
    7.8  本章小结
    本章参考文献
  第8章  贝叶斯模型
    8.1  蒙特卡洛法
    8.2  朴素贝叶斯分类法
    8.3  贝叶斯网络
    8.4  马尔可夫链蒙特卡洛法案例：船舶事故案例分析
    8.5  本章小结
    本章参考文献
  第9章  联立方程模型
    9.1  联立方程模型概述
    9.2  联立方程模型中变量的分类
    9.3  联立方程模型的分类
    9.4  联立方程模型的识别
    9.5  联立方程模型的识别条件
    9.6  联立方程模型的估计
    9.7  案例：交通运输经济效益研究
    9.8  本章小结
    本章参考文献
  第10章  面板数据模型
    10.1  面板数据
    10.2  混合回归模型
    10.3  固定效应模型
    10.4  随机效应回归模型
    10.5  本章小结
    本章参考文献
第三篇  机器学习
  第11章  无监督学习
    11.1  主成分分析
    11.2  孤立森林
    11.3  K-means聚类
    11.4  本章小结
    本章参考文献
  第12章  监督学习
    12.1  决策树
    12.2  集成学习
    12.3  支持向量机
    12.4  人工神经网络
    本章参考文献
  第13章  强化学习与半监督学习
    13.1  强化学习
    13.2  半监督学习
    13.3  本章小结
    本章参考文献