文献综述（或调研报告）：
1.数据分析与机器学习研究现状
机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。机器学习直接来源于早期的人工智能领域，传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。从学习方法上来分，机器学习算法可以分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习、深度学习和强化学习。
深度学习本来并不是一种独立的学习方法，其本身也会用到有监督和无监督的学习方法来训练深度神经网络。但由于近几年该领域发展迅猛，一些特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。最初的深度学习是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并不是一个全新的概念，可大致理解为包含多个隐含层的神经网络结构。为了提高深层神经网络的训练效果，人们对神经元的连接方法和激活函数等方面做出相应的调整。其实有不少想法早年间也曾有过，但由于当时训练数据量不足、计算能力落后，因此最终的效果不尽如人意。
2015年11月9日，Google发布人工智能系统TensorFlow并宣布开源。机器学习作为人工智能的一种类型，可以让软件根据大量的数据来对未来的情况进行阐述或预判。如今，领先的科技巨头无不在机器学习下予以极大投入。Facebook、苹果、微软，甚至国内的百度。Google 自然也在其中。TensorFlow是Google多年以来内部的机器学习系统。如今，Google正在将此系统成为开源系统，并将此系统的参数公布给业界工程师、学者和拥有大量编程能力的技术人员。使用开源的TensorFlow可以更好的完成本课题。
2.位置信息获取应用现状
全球定位系统（GPS）是一个基于卫星的导航、定位及计时的系统。接受器通过（GPS）卫星发送的数据计算二维（经度、纬度）或三维（经度、纬度、高度）位置。
GPS 自投入运行以来逐步向民用开放，为各行各业服务。我国在GPS汽车导航系统的研制和应用方便起步较晚，但发展势头很猛。在私家车、银行运钞车、公安巡逻车等汽车上广泛应用。一些大、中城市的出租车、公交车上全部装备了了GPS设备并开始应用。一些厂矿企业和部门正在逐步配备GPS接收机。这些GPS接收机成为了交通大数据的的来源。
我国将GPS、地理信息系统和现代通讯技术综合在一起，研发成一种新型汽车导航设备，具备监控、调度、报警，监听遥控熄火和遥控断油、电子地图显示自动存档、系统自检等功能，它可将汽车的任何动态位置随时准确无误地显示在仪器的电子地图上。导航仪的电子地图自动跟踪显示汽车当前位置及周边，情况它存储了我国各大城市道路的电子交通图和高精度的全国公路网，沿线村镇以上级别的地图驾驶员可随时在导航仪上查询周边半径300km地区的地理信息。
由于公共汽车线路固定，不存在选择最佳行驶路线的要求。所以采用GPS定位系统的目的主要在于跟踪控制车辆及时调度，方便乘客。为进一步方便乘客和调度车队，南京公交集团已开始普及GPS公共汽车在线路跟踪控制系统。该系统包括：安装在主要公共汽车站的乘客显示牌、基于GPS的公共汽车在线定位系统（每辆公共汽车上都配有车载计算机及GPS定位机）公共汽车驾驶员显示屏，中心控制计算机等。中心控制计算机时刻跟踪监视每辆公共汽车监视其预定的到站时间甚至每辆公共汽车的上座率并在各，站点的乘客显示牌上通知试图等车乘客关于公共汽车的运营情况，以便乘客更好地计划自己的行程减少等车时间，同时也使车队更好调节车辆发车的频率。
