資源簡介

中小學教育資源及組卷應用平臺
信息技術 第13課 智能預測出行
課題 智能預測出行方式 單元 第三單元 學科 信息技術 年級 九年級
教材分析 《智能預測出行方式》該課時教材編排了“人工神經網絡-深度學習—神經網絡實現出行預測”的系列學習活動，旨在讓學生通過人工神經網絡，能歸納深度學習的特點;通過神經網絡實行預測，初步理解人工神經網絡;能根據實際需要選擇合適的深度學習，具有神經網絡實行預測的理念。教材編排合理，教學環節注重實踐與理論相結合，教材內容貼近學生生活實際，符合九年級學生認知特點。
教學目標 1、信息意識：培養對信息的敏感度，能夠在面對復雜的出行情境時，迅速捕捉到關鍵信息，為智能預測出行方式提供依據。2、計算思維：學會運用算法思維來解決與出行方式預測相關的問題，能夠將實際問題抽象為數學模型，并運用適當的算法進行求解。 3、數字化學習與創新：掌握利用數字化工具和資源進行出行方式學習和研究的方法，如使用在線地圖、交通數據分析軟件等。 4、信息社會責任：了解智能預測出行方式對個人隱私和數據安全的影響，認識到保護個人信息和數據安全的重要性。
重點 一、人工神經網絡二、深度學習三、神經網絡實現出行預測
難點 1、神經網絡實現出行預測
教學過程
教學環節 教師活動 學生活動 設計意圖
導入新課 通過項目化學習，能設計一個智能預測出行方案;通過預測實踐，能制作出滿足預測出行要求的作品。 探究： 1、智能預測出行方式需要考慮哪些條件或要素 2、如何利用機器為我們的出行提供合理的建議 神經網絡模型用于智能預測出行，需要采集出行相關的數據，對數據進行預處理和特征提取，將數據劃分為訓練集和測試集;選擇適合的模型進行訓練和測試，并將訓練好的模型應用到實際出行預測中，提高出行效率和降低出行成本。 聽講，學生之間的相互討論智能預測出行的方案。 幫助學生理解如何設計一個智能預測出行方案。
講授新課 一 、人工神經網絡人體內有大量神經細胞，也叫神經元。神經細胞通過相互聯系構成了一個功能強大、結構復雜的信息處理系統--人體神經系統。人能夠思考并從事各種各樣的復雜工作，是因為身體內部微小的神經細胞起著作用。 科學家受到人體神經細胞的啟發，把每個神經細胞抽象成一個叫作神經元模型的基本信息單元，把許多這樣的信息單元按一定的層次結構連接起來，就得到人工神經網絡。通過輸入層給人工神經網絡輸入大量數據，由神經元模型構成的多層神經網絡對這些數據進行計算，從而得到需要輸出的結果。 如圖13-1所示，給計算機輸入貓的圖片數據，需要計算機輸出是否為貓的判斷。將圖片數據輸入給人工神經網絡，第一層神經網絡會提取圖片的初始特征，然后輸入給第二層神經網絡，第二層神經網絡會把上一層提取的特征通過參數調節的方式進一步細化，再輸入給下一層神經網絡，以此類推經過多層神經網絡的處理，最終得到貓的特征模型，利用特征模型做出是否為貓的判斷。日積月累如圖13-1所示，給計算機輸入貓的圖片數據，需要計算機輸出是否為貓的判斷。將圖片數據輸入給人工神經網絡，第一層神經網絡會提取圖片的初始特征，然后輸入給第二層神經網絡，第二層神經網絡會把上一層提取的特征通過參數調節的方式進一步細化，再輸入給下一層神經網絡，以此類推經過多層神經網絡的處理，最終得到貓的特征模型，利用特征模型做出是否為貓的判斷。新知拓展智能預測出行方式需要考慮哪些條件或要素 個人方面
出行目的，如上班傾向快捷準時方式，休閑購物更靈活。出行時間，高峰平峰及特定時段交通狀況不同。身體狀況，影響選擇步行、騎行等方式的意愿。
交通方面
交通狀況，包括擁堵、事故、施工等，需實時信息。公共交通可用性與可靠性，如線路覆蓋、發車頻率、準點率。出行距離，長距選飛機火車，中短距考慮其他方式。環境方面
天氣狀況，惡劣天氣影響出行方式選擇。 空氣質量，差時傾向公共交通或減少出行。 地形地貌，起伏大地區影響騎行步行選擇。
社會方面
社會活動和事件，導致局部交通擁堵需提前規劃。 政策法規，如限行政策影響出行方式抉擇。二 、深度學習深度學習是機器學習訓練模型的一種算法，是人工神經網絡算法的拓展。典型的深度學習模型就是多層神經網絡。深度學習模型的結構如圖13-1所示，就像人工神經網絡一樣有輸入層、輸出層，中間是神經網絡構成的隱層。隱層的工作流程是一個一層一層不斷遞進的處理過程。一般情況下，我們把超過四層的人工神經網絡稱為深度學習。深度學習通過構建具有很多隱層的機器學習模型和海量的訓練數據，來學習更有用的特征，從而最終提升計算機處理新數據的準確性。深度學習可以通過構建卷積神經網絡(CNN)來進行圖像識別。CNN可以自動從圖像中提取出更有用的特征，從而實現對不同物體的識別。三、神經網絡實現出行預測使用神經網絡進行出行預測的步驟包括數據收集、數據預處理、模型設計、模型訓練、模型優化等。下面僅呈現實現數據輸入部分的Python代碼。# 導入所需模塊import tensorflow as tffrom sklearn import datasetsfrom matplotlib import pyplot as pltimport numpy as np 數據集讀入#導入數據,分別為輸入特征和標簽X_data= datasets.load traffic().datay_data = datasets,load traffic().target數據集亂序# 隨機打亂數據(因為原始數據是順序的,順序不打亂會影響準確率)# seed:隨機數種子,是一個整數,當設置之后,每次生成的隨機數都一樣np.random.seed(116)#使用相同的seed, 保證輸入特征和標簽一一對應np.random.shuffle(x_data)np.random.seed(116)np.random.shuffle(y_data)tf.random.set seed(116)數據集分出訓練集和測試集# 將打亂后的數據集分割為訓練集和測試集，訓練集為前120行，測試集為后 30行x_train=x_data[:-30]y_train =y_ data[:-30]x_test =x_data[-30:]y_test =y_data[-30:]由于機器學習的結果受到各種外界條件的影響，目前大部分的通過訓練形成的模型，很難達到100%正確率，就像我們利用指紋解鎖手機，并不是每次都能夠解鎖成功一樣。因此，我們會把正確率高于某個百分率的模型認為是訓練成功的模型。新知拓展如何利用機器為我們的出行提供合理的建議 利用機器為出行提供合理建議，需先借助傳感器和定位技術從智能設備獲取個人出行數據，如出發地、目的地、時間、頻率等，同時匯總交通部門的實時交通信息以及天氣數據。然后運用數據分析技術挖掘出行模式規律，建立出行預測模型并綜合多因素建模以實現個性化精準建議。接著依據分析結果和模型為用戶提供出行建議及多種方案，還支持實時決策調整。此外，要通過友好界面方便用戶操作，鼓勵用戶反饋評價以優化系統，并且與用戶互動提供個性化服務，從而綜合運用技術并注重交互反饋來提升出行效率與便利性。四、隨堂練習請簡述人工神經網絡的基本結構和工作原理。人工神經網絡模仿生物神經網絡，結構含神經元（節點）、層（輸入、隱藏、輸出層）及連接（權重）。神經元經加權求和與激活函數處理輸入信號后輸出。數據從輸入層經神經元與連接在各層傳遞至輸出層。學習通過監督（如用反向傳播算法依標注數據調整權重）或無監督（如用自組織映射網絡依數據結構聚類）方式進行，以調整權重。訓練后的網絡對新數據處理輸出用于預測和分類，具備自適應、自學習和泛化能力，廣泛應用于多領域。四 、知識拓展1、智能交通出行的原理2、智能出行的未來趨勢：3、智能出行的安全保障： 學生之間互相討論人工神經網絡。學生通過觀看課件和聽老師講解，了解深度學習的重要性。學生通過觀看課件和聽老師講解，了解神經網絡是心啊出行預測。學生查找資料，相互討論對于本堂課中老師提出的問題進行解答。學生通過觀看視頻和自我思考安全保護服務器。 幫助學生積極融入課堂，提高學生學習積極性。 學生通過邊看邊聽的形式了解深度學習。學生通過邊看邊聽的形式了解神經網絡實現出行預測。讓學生鞏固本堂課的內容，加深學生對所學知識的印象。讓學生通過視頻思考，進一步加深對課堂所學內容的理解。
布置作業 與家人或朋友討論智能出行對生活的影響，記錄下大家的觀點和討論內容，整理成文檔。 完成作業 培養學生查閱資料的能力，分析解決問題的能力
課堂小結 本次課程我們探索了智能預測出行。了解到其未來趨勢包括自動駕駛帶來便捷高效出行、智能交通系統優化交通流量。智能出行在安全方面有先進技術防護、嚴格標準監管及數據安全保護。智能出行是生活方式變革，同學們應積極關注，學習相關知識，踐行綠色出行理念，迎接智能出行未來。 分組總結歸納 鍛煉學生的總結能力，邏輯思維、語言表達能力。
板書 一、人工神經網絡二、深度學習三、神經網絡實現出行預測 學習、記憶及勾畫知識點 明確教學內容及重點和難點
21世紀教育網 www.21cnjy.com 精品試卷·第 2 頁 （共 2 頁）
HYPERLINK "http://www.21cnjy.com/" 21世紀教育網(www.21cnjy.com)(共30張PPT)
第13課
智能預測出行方式
（浙教版）九年級
全
01
教學目標
02
新知導入
03
人工神經網絡
04
深度學習
05
神經網絡實現出行預測
06
拓展延伸
08
課堂小結
09
板書設計
07
課堂練習
01
教學目標
1、信息意識：培養對信息的敏感度，能夠在面對復雜的出行情境時，迅速捕捉到關鍵信息，為智能預測出行方式提供依據。
2、計算思維：學會運用算法思維來解決與出行方式預測相關的問題，能夠將實際問題抽象為數學模型，并運用適當的算法進行求解。
3、數字化學習與創新：掌握利用數字化工具和資源進行出行方式學習和研究的方法，如使用在線地圖、交通數據分析軟件等。
4、信息社會責任：了解智能預測出行方式對個人隱私和數據安全的影響，認識到保護個人信息和數據安全的重要性。
02
新知導入
通過項目化學習，能設計一個智能預測出行方案;通過預測實踐，能制作出滿足預測出行要求的作品。
探究：
1、智能預測出行方式需要考慮哪些條件或要素
2、如何利用機器為我們的出行提供合理的建議
02
新知導入
神經網絡模型用于智能預測出行，需要采集出行相關的數據，對數據進行預處理和特征提取，將數據劃分為訓練集和測試集;選擇適合的模型進行訓練和測試，并將訓練好的模型應用到實際出行預測中，提高出行效率和降低出行成本。
03
人工神經網絡
人體內有大量神經細胞，也叫神經元。神經細胞通過相互聯系構成了一個功能強大、結構復雜的信息處理系統--人體神經系統。人能夠思考并從事各種各樣的復雜工作，是因為身體內部微小的神經細胞起著作用。
03
人工神經網絡
科學家受到人體神經細胞的啟發，把每個神經細胞抽象成一個叫作神經元模型的基本信息單元，把許多這樣的信息單元按一定的層次結構連接起來，就得到人工神經網絡。通過輸入層給人工神經網絡輸入大量數據，由神經元模型構成的多層神經網絡對這些數據進行計算，從而得到需要輸出的結果。
03
人工神經網絡
如圖13-1所示，給計算機輸入貓的圖片數據，需要計算機輸出是否為貓的判斷。將圖片數據輸入給人工神經網絡，第一層神經網絡會提取圖片的初始特征，然后輸入給第二層神經網絡，第二層神經網絡會把上一層提取的特征通過參數調節的方式進一步細化，再輸入給下一層神經網絡，以此類推經過多層神經網絡的處理，最終得到貓的特征模型，利用特征模型做出是否為貓的判斷。
圖13-1
03
人工神經網絡
盡管人工神經網絡是科學家們受到人體神經細胞的啟發而發明的，但人工神經網絡的信息處理能力與人體神經系統相差甚遠。人工神經網絡的種類很多，如卷積神經網絡、循環神經網絡等，不同算法實現不同用途。科學家們也在努力研究新的算法，從而讓人工神經網絡逐漸接近人體神經系統處理信息的能力。
日積月累
智能預測出行方式需要考慮哪些條件或要素
個人方面
出行目的，如上班傾向快捷準時方式，休閑購物更靈活。
出行時間，高峰平峰及特定時段交通狀況不同。
身體狀況，影響選擇步行、騎行等方式的意愿。
交通方面
交通狀況，包括擁堵、事故、施工等，需實時信息。
公共交通可用性與可靠性，如線路覆蓋、發車頻率、準點率。
出行距離，長距選飛機火車，中短距考慮其他方式。
新知拓展
03
人工神經網絡
智能預測出行方式需要考慮哪些條件或要素
環境方面
天氣狀況，惡劣天氣影響出行方式選擇。
空氣質量，差時傾向公共交通或減少出行。
地形地貌，起伏大地區影響騎行步行選擇。
社會方面
社會活動和事件，導致局部交通擁堵需提前規劃。
政策法規，如限行政策影響出行方式抉擇。
新知拓展
03
人工神經網絡
新知拓展
03
人工神經網絡
04
深度學習
深度學習是機器學習訓練模型的一種算法，是人工神經網絡算法的拓展。典型的深度學習模型就是多層神經網絡。深度學習模型的結構如圖13-1所示，就像人工神經網絡一樣有輸入層、輸出層，中間是神經網絡構成的隱層。
04
深度學習
隱層的工作流程是一個一層一層不斷遞進的處理過程。一般情況下，我們把超過四層的人工神經網絡稱為深度學習。深度學習通過構建具有很多隱層的機器學習模型和海量的訓練數據，來學習更有用的特征，從而最終提升計算機處理新數據的準確性。
04
深度學習
深度學習可以通過構建卷積神經網絡(CNN)來進行圖像識別。CNN可以自動從圖像中提取出更有用的特征，從而實現對不同物體的識別。
05
神經網絡實現出行預測
使用神經網絡進行出行預測的步驟包括數據收集、數據預處理、模型設計、模型訓練、模型優化等。
下面僅呈現實現數據輸入部分的Python代碼。
05
神經網絡實現出行預測
# 導入所需模塊
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np
數據集讀入
#導入數據,分別為輸入特征和標簽
X_data= datasets.load traffic().data
y_data = datasets,load traffic().target
05
神經網絡實現出行預測
數據集亂序
# 隨機打亂數據(因為原始數據是順序的,順序不打亂會影響準確率)
# seed:隨機數種子,是一個整數,當設置之后,每次生成的隨機數都一樣np.random.seed(116)#使用相同的seed, 保證輸入特征和標簽一一對應np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set seed(116)
05
神經網絡實現出行預測
數據集分出訓練集和測試集
# 將打亂后的數據集分割為訓練集和測試集，訓練集為前120行，測試集為后 30行
x_train=x_data[:-30]
y_train =y_ data[:-30]
x_test =x_data[-30:]
y_test =y_data[-30:]
05
神經網絡實現出行預測
由于機器學習的結果受到各種外界條件的影響，目前大部分的通過訓練形成的模型，很難達到100%正確率，就像我們利用指紋解鎖手機，并不是每次都能夠解鎖成功一樣。因此，我們會把正確率高于某個百分率的模型認為是訓練成功的模型。
如何利用機器為我們的出行提供合理的建議
利用機器為出行提供合理建議，需先借助傳感器和定位技術從智能設備獲取個人出行數據，如出發地、目的地、時間、頻率等，同時匯總交通部門的實時交通信息以及天氣數據。然后運用數據分析技術挖掘出行模式規律，建立出行預測模型并綜合多因素建模以實現個性化精準建議。接著依據分析結果和模型為用戶提供出行建議及多種方案，還支持實時決策調整。此外，要通過友好界面方便用戶操作，鼓勵用戶反饋評價以優化系統，并且與用戶互動提供個性化服務，從而綜合運用技術并注重交互反饋來提升出行效率與便利性。
新知拓展
05
神經網絡實現出行預測
新知拓展
05
神經網絡實現出行預測
06
隨堂練習
請簡述人工神經網絡的基本結構和工作原理。
人工神經網絡模仿生物神經網絡，結構含神經元（節點）、層（輸入、隱藏、輸出層）及連接（權重）。神經元經加權求和與激活函數處理輸入信號后輸出。數據從輸入層經神經元與連接在各層傳遞至輸出層。學習通過監督（如用反向傳播算法依標注數據調整權重）或無監督（如用自組織映射網絡依數據結構聚類）方式進行，以調整權重。訓練后的網絡對新數據處理輸出用于預測和分類，具備自適應、自學習和泛化能力，廣泛應用于多領域。
07
拓展延伸
1、智能交通出行的原理
07
拓展延伸
2、智能出行的未來趨勢：
自動駕駛技術將全面成熟并廣泛應用：未來的道路上，自動駕駛汽車將成為主流，人們無需親自駕駛，只需輸入目的地，車輛就能安全、高效地將乘客送達。這不僅會極大提高出行效率，還能減少因人為失誤導致的交通事故。
智能交通系統更加完善：通過大數據、人工智能等技術，實時監測交通流量、路況等信息，并進行智能調度，優化交通信號控制，減少擁堵，實現道路資源的高效利用。
出行服務個性化：智能出行系統將根據用戶的個人喜好、出行習慣等因素，為用戶提供定制化的出行方案，包括最佳路線、交通工具選擇等
07
拓展延伸
3、智能出行的安全保障：
（1）先進技術防護：智能出行中，自動駕駛系統配備多種傳感器，能全方位感知周圍環境，及時做出反應避免碰撞。還有自動緊急制動、車道偏離預警、盲點監測等主動安全技術。
（2）嚴格標準監管：相關安全標準和監管措施不斷完善，政府和行業機構制定嚴格法規標準，加強對服務提供商監管，確保出行安全。
（3）數據安全保護：智能出行收集大量數據，需采用先進加密技術和防護措施確保數據安全存儲傳輸，相關法規明確數據使用范圍權限，保護用戶隱私。
08
課堂小結
本次課程我們探索了智能預測出行。了解到其未來趨勢包括自動駕駛帶來便捷高效出行、智能交通系統優化交通流量。智能出行在安全方面有先進技術防護、嚴格標準監管及數據安全保護。智能出行是生活方式變革，同學們應積極關注，學習相關知識，踐行綠色出行理念，迎接智能出行未來。
09
板書設計
智能預測出行方式
一、人工神經網絡
二、深度學習
三、神經網絡實現出行預測
課后作業：
與家人或朋友討論智能出行對生活的影響，記錄下大家的觀點和討論內容，整理成文檔。
https://www.21cnjy.com/recruitment/home/fine

展開更多......

收起↑