跨学科主题活动 人工智能预测出行 课件(共24张PPT)-2025-2026学年九年级全册《信息技术》西大版（2024）
文档属性
| 名称 | 跨学科主题活动 人工智能预测出行 课件(共24张PPT)-2025-2026学年九年级全册《信息技术》西大版（2024） |  | |
| 格式 | pptx | ||
| 文件大小 | 2.2MB | ||
| 资源类型 | 教案 | ||
| 版本资源 | 通用版 | ||
| 科目 | 信息技术（信息科技） | ||
| 更新时间 | 2025-08-25 11:47:23 | ||
图片预览
文档简介
(共24张PPT)
义务教育《信息科技》
9 年级全册
跨学科
主题活动
人工智能预测出行
学习目标
情境引入
新知学习
学习评价
目录
学习目标
1.理解人工智能预测出行的概念、方法及原理
2.能够正确收集多组历史出行数据，能够构建多维训练数据集
3.利用收集到的数据训练预测模型，能够准确预测出行方式
4.能够将人工智能预测迁移到其他更多相似的场景应用中
情境
引入
如果机器告诉你，你或者你的同学以什么样的出行方式到学校，你会感到神奇吗？我们将依据大家出行方式的历史数据，用人工智能的方法来预测同学们的出行方式！
任务一：调查研究，构建数据集
活动设计
收集数据之前，需要思考：从家里到学校，有哪些因素会影响大家对交通工具的选择呢？为了更好地预测，我们需要哪些数据？
新知学习
任务一：调查研究，构建数据集
通过问卷、访谈等方式，采集同学的出行方式、出行时长以及受影响因素，并对数据进行量化，如雨量由小到大，可以用0~6之间的数字表示，0为晴天，1为小雨，2为中雨，3为大雨，4为暴雨，5为大暴雨，6为特大暴雨；时间用“分”表示；出行距离用“千米”表示；出行方式可以列出几种：步行、自行车、公交、地铁、出租车，分别用0，1，2，3，4来表示，如下表。出行距离、天气、时间为影响因素，实际出行方式则为结果。
活动实施
任务一：调查研究，构建数据集
出行数据集
活动实施
距离（千米） 天气 时间（分） 出行方式
0.8 0 8 0
3.5 5 15 4
5 1 30 3
3.1 0 9 1
3 1 33 0
7.5 3 10 4
2.8 0 33 0
任务二：对预测原理的探究
活动设计
在用人工智能预测出行之前，需要我们先了解什么是人工智能预测，理解朴素贝叶斯算法，知道人工智能预测出行的原理。
1.了解人工智能预测技术
人工智能预测技术是一种使用AI技术对未来可能出现的事件或情况进行预测和分析的技术。人工智能预测可以应用于各个领域，如金融、医疗、物流等，通过分析大量的数据，利用机器学习、神经网络等技术，预测未来的趋势和变化，为人们的决策提供参考和指导。
活动实施
任务二：对预测原理的探究
1.了解人工智能预测技术
影响人们对出行方式的选择的因素有很多，如天气状况、出行距离、出行时间等。人工智能预测出行方式的步骤一般如图1所示。
活动实施
任务二：对预测原理的探究
图1 人工智能预测出行方式的步骤
2.理解朴素贝叶斯算法
朴素贝叶斯算法是以贝叶斯定理为前提的一种概率分类方法。
概率是指某一事件A发生的可能性，表示为P( A)。
例如，今天下雨的可能性有50%，即P（下雨）=0.5。
条件概率是指在某一事件A已经发生的条件下，另一事件B发生的可能性，表示为P( A|B)。
例如，如果下雨，我出门带雨伞的可能性有95%，即P（带伞|下雨）=0.95。
活动实施
任务二：对预测原理的探究
2.理解朴素贝叶斯算法
贝叶斯定理由著名的数学家托马斯·贝叶斯提出，是一个关于条件概率的定理。公式如下：
活动实施
任务二：对预测原理的探究
公式参数说明：
P(A)，P(B)表示事件A和事件B独立发生的概率。P(B|A)是个条件概率表示当事件B发生的情况下，事件A发生的概率。P(B|A)也是个条件概率，表示当事件A发生的情况下，事件B发生的概率。
任务三：出行预测的实现
活动设计
人工智能预测出行主要是依据历史出行数据，使用朴素贝叶斯算法训练预测模型，根据用户提供的新的出行数据，借助预测模型，计算出不同出行方式的概率，以最大值作为预测的出行结果。它具体包括以下三部分内容：
（1）存储并输入历史出行数据集。
（2）根据朴素贝叶斯算法，依据数据集训练出行预测模型。
（3）提供新的出行数据，借助模型预测合适的出行方式。
任务三：出行预测的实现
活动设计
具体过程如图2所示：
图2 人工智能预测出行
任务三：出行预测的实现
1.构建数据集
每一条数据可以使用Python中的字典来进行表示。例如：家与学校的距离为2.8千米，天气为晴天，上学时间需33分，出行方式为步行，那我们可以使用这样一个字典来表示数据：｛“距离”：2.8，“天气”：0，“时间”：33，“出行方式”：0｝。使用以下代码将数据转换成pandas中的表格。
活动实施
任务三：出行预测的实现
1.构建数据集
活动实施
任务三：出行预测的实现
1.构建数据集
对于模型而言，输入数据是距离、天气、时间这三列，输出结果是出行方式。因此我们可以使用列索引，从表格中取出数据的输入x和标签y。
活动实施
任务三：出行预测的实现
2.模型训练
sklearn是python中常用的机器学习库，包含很多机器学习算法。从sklearn中导入与朴素贝叶斯相关的库，将模型实例化；使用fit方法对x和y进行训练，训练之后，使用模型中的score方法得到分类的正确率。
活动实施
任务三：出行预测的实现
3.输入新数据进行预测
用户输入新的数据，并进行预测。使用input函数获取用户的输入数据。对于天气、距离和时间的输入，需要通过float或者int函数将其从字符串转换成浮点数或者整数，从而才能输入到模型。
活动实施
任务三：出行预测的实现
4.完整代码
5.运行结果
完整运行结果如图3所示，首先输出了pandas中的表格，然后输出了模型的精度，最后用户输入一条新的数据，模型进行了对应的输出。
活动实施
图3 出行方式预测结果
任务三：出行预测的实现
在班级中展示学习成果，如学习感悟、过程性资料、最终作品等，并指出存在的问题和下一步的改进思路，体验用人工智能解决问题的乐趣。
展示分享
跨学科主题活动学习评价
①根据自己的学习情况填写下表。
评价维度 评价内容 评价方式 自评 互评 师评
过程性评价 理解人工智能预测出行的方法、原理 ☆☆☆ ☆☆☆ ☆☆☆
能够正确收集多组历史出行数据 ☆☆☆ ☆☆☆ ☆☆☆
能够构建多维训练数据集 ☆☆☆ ☆☆☆ ☆☆☆
在学习过程中具有积极的学习态度 ☆☆☆ ☆☆☆ ☆☆☆
作品评价 利用收集到的数据训练预测模型，能够准确预测出行方式 ☆☆☆ ☆☆☆ ☆☆☆
能够将人工智能预测迁移到其他更多相似的场景应用中 ☆☆☆ ☆☆☆ ☆☆☆
跨学科主题活动学习评价
②学习本主题活动后，我的收获是：
③学习本主题活动后，我在以下方面还需要努力：
义务教育《信息科技》
9 年级全册
跨学科
主题活动
人工智能预测出行
学习目标
情境引入
新知学习
学习评价
目录
学习目标
1.理解人工智能预测出行的概念、方法及原理
2.能够正确收集多组历史出行数据，能够构建多维训练数据集
3.利用收集到的数据训练预测模型，能够准确预测出行方式
4.能够将人工智能预测迁移到其他更多相似的场景应用中
情境
引入
如果机器告诉你，你或者你的同学以什么样的出行方式到学校，你会感到神奇吗？我们将依据大家出行方式的历史数据，用人工智能的方法来预测同学们的出行方式！
任务一：调查研究，构建数据集
活动设计
收集数据之前，需要思考：从家里到学校，有哪些因素会影响大家对交通工具的选择呢？为了更好地预测，我们需要哪些数据？
新知学习
任务一：调查研究，构建数据集
通过问卷、访谈等方式，采集同学的出行方式、出行时长以及受影响因素，并对数据进行量化，如雨量由小到大，可以用0~6之间的数字表示，0为晴天，1为小雨，2为中雨，3为大雨，4为暴雨，5为大暴雨，6为特大暴雨；时间用“分”表示；出行距离用“千米”表示；出行方式可以列出几种：步行、自行车、公交、地铁、出租车，分别用0，1，2，3，4来表示，如下表。出行距离、天气、时间为影响因素，实际出行方式则为结果。
活动实施
任务一：调查研究，构建数据集
出行数据集
活动实施
距离（千米） 天气 时间（分） 出行方式
0.8 0 8 0
3.5 5 15 4
5 1 30 3
3.1 0 9 1
3 1 33 0
7.5 3 10 4
2.8 0 33 0
任务二：对预测原理的探究
活动设计
在用人工智能预测出行之前，需要我们先了解什么是人工智能预测，理解朴素贝叶斯算法，知道人工智能预测出行的原理。
1.了解人工智能预测技术
人工智能预测技术是一种使用AI技术对未来可能出现的事件或情况进行预测和分析的技术。人工智能预测可以应用于各个领域，如金融、医疗、物流等，通过分析大量的数据，利用机器学习、神经网络等技术，预测未来的趋势和变化，为人们的决策提供参考和指导。
活动实施
任务二：对预测原理的探究
1.了解人工智能预测技术
影响人们对出行方式的选择的因素有很多，如天气状况、出行距离、出行时间等。人工智能预测出行方式的步骤一般如图1所示。
活动实施
任务二：对预测原理的探究
图1 人工智能预测出行方式的步骤
2.理解朴素贝叶斯算法
朴素贝叶斯算法是以贝叶斯定理为前提的一种概率分类方法。
概率是指某一事件A发生的可能性，表示为P( A)。
例如，今天下雨的可能性有50%，即P（下雨）=0.5。
条件概率是指在某一事件A已经发生的条件下，另一事件B发生的可能性，表示为P( A|B)。
例如，如果下雨，我出门带雨伞的可能性有95%，即P（带伞|下雨）=0.95。
活动实施
任务二：对预测原理的探究
2.理解朴素贝叶斯算法
贝叶斯定理由著名的数学家托马斯·贝叶斯提出，是一个关于条件概率的定理。公式如下：
活动实施
任务二：对预测原理的探究
公式参数说明：
P(A)，P(B)表示事件A和事件B独立发生的概率。P(B|A)是个条件概率表示当事件B发生的情况下，事件A发生的概率。P(B|A)也是个条件概率，表示当事件A发生的情况下，事件B发生的概率。
任务三：出行预测的实现
活动设计
人工智能预测出行主要是依据历史出行数据，使用朴素贝叶斯算法训练预测模型，根据用户提供的新的出行数据，借助预测模型，计算出不同出行方式的概率，以最大值作为预测的出行结果。它具体包括以下三部分内容：
（1）存储并输入历史出行数据集。
（2）根据朴素贝叶斯算法，依据数据集训练出行预测模型。
（3）提供新的出行数据，借助模型预测合适的出行方式。
任务三：出行预测的实现
活动设计
具体过程如图2所示：
图2 人工智能预测出行
任务三：出行预测的实现
1.构建数据集
每一条数据可以使用Python中的字典来进行表示。例如：家与学校的距离为2.8千米，天气为晴天，上学时间需33分，出行方式为步行，那我们可以使用这样一个字典来表示数据：｛“距离”：2.8，“天气”：0，“时间”：33，“出行方式”：0｝。使用以下代码将数据转换成pandas中的表格。
活动实施
任务三：出行预测的实现
1.构建数据集
活动实施
任务三：出行预测的实现
1.构建数据集
对于模型而言，输入数据是距离、天气、时间这三列，输出结果是出行方式。因此我们可以使用列索引，从表格中取出数据的输入x和标签y。
活动实施
任务三：出行预测的实现
2.模型训练
sklearn是python中常用的机器学习库，包含很多机器学习算法。从sklearn中导入与朴素贝叶斯相关的库，将模型实例化；使用fit方法对x和y进行训练，训练之后，使用模型中的score方法得到分类的正确率。
活动实施
任务三：出行预测的实现
3.输入新数据进行预测
用户输入新的数据，并进行预测。使用input函数获取用户的输入数据。对于天气、距离和时间的输入，需要通过float或者int函数将其从字符串转换成浮点数或者整数，从而才能输入到模型。
活动实施
任务三：出行预测的实现
4.完整代码
5.运行结果
完整运行结果如图3所示，首先输出了pandas中的表格，然后输出了模型的精度，最后用户输入一条新的数据，模型进行了对应的输出。
活动实施
图3 出行方式预测结果
任务三：出行预测的实现
在班级中展示学习成果，如学习感悟、过程性资料、最终作品等，并指出存在的问题和下一步的改进思路，体验用人工智能解决问题的乐趣。
展示分享
跨学科主题活动学习评价
①根据自己的学习情况填写下表。
评价维度 评价内容 评价方式 自评 互评 师评
过程性评价 理解人工智能预测出行的方法、原理 ☆☆☆ ☆☆☆ ☆☆☆
能够正确收集多组历史出行数据 ☆☆☆ ☆☆☆ ☆☆☆
能够构建多维训练数据集 ☆☆☆ ☆☆☆ ☆☆☆
在学习过程中具有积极的学习态度 ☆☆☆ ☆☆☆ ☆☆☆
作品评价 利用收集到的数据训练预测模型，能够准确预测出行方式 ☆☆☆ ☆☆☆ ☆☆☆
能够将人工智能预测迁移到其他更多相似的场景应用中 ☆☆☆ ☆☆☆ ☆☆☆
跨学科主题活动学习评价
②学习本主题活动后，我的收获是：
③学习本主题活动后，我在以下方面还需要努力：
同课章节目录