第12课 智能预测出行方式-九年级信息科技同步精品课堂（浙教版2023）

智能预测出行方式 WPS,a click to unlimited possibilities 1 目录 01 智能预测出行方式的背景 03 深度学习 02 人工神经网络 04 神经网络实现出行预测 05 智能预测出行方式的挑战与未来发展 智能预测出行方式的背景 PART 1 现代城市出行需求 交通拥堵：城市交通拥堵问题日益严重，需要更加智能的出行方式 01 出行效率：城市生活节奏加快，人们需要更加高效的出行方式 03 环保需求：随着环保意识的提高，人们越来越关注出行方式的环保性 02 个性化需求：随着人们生活水平的提高，个性化出行需求逐渐增多 04 技术发展推动 移动设备的普及，使得出行信息更加容易获取和分享 互联网技术的普及，使得数据收集和处理变得更加容易 机器学习和人工智能技术的发展，使得预测模型更加精准 物联网技术的发展，使得出行数据更加全面和实时 传统出行方式的局限性 信息获取不及时：无法实时获取交通状况、天气等信息 出行方式选择单一：只能选择固定的出行方式，无法根据实际情况进行调整 出行效率低：容易遇到拥堵、延误等问题，影响出行效率 出行成本高：交通费用、时间成本等较高，影响出行体验 01 04 03 02 人工神经网络 PART 2 神经网络模型 神经网络模型用于智能预测出行，需要采集出行相关的数据，对数据进行预处理和特征提取，将数据划分为训练集和测试集;选择适合的模型进行训练和测试，并将训练好的模型应用到实际出行预测中，提高出行效率和降低出行成本。 人体内有大量神经细胞,也叫神经元。神经细胞通过相互联系构成了一个功能强大、结构复杂的信息处理系统——人体神经系统。人能够思考并从事各种各样的复杂工作，是因为身体内部微小的神经细胞起着作用。 科学家受到人体神经细胞的启发，把每个神经细胞抽象成一个叫作神经元模型的基本信息单元，把许多这样的信息单元按一定的廪次结构连接起来，就得到人工神经网络。通过输入层给人工神经网络输入夭量数据，由神经元模型构成的多层神经网络对这些数据进行计算，从而得到需要输出的结果。如图13-1所示，给计算机输入猫的图片数据，需要计算机输出是否为猫的判断。将图片数据输入给人工神经网络，第一层神经网络会提取图片的初始特征，然后输入给第二层神经网络,第二层神经网络会把上一层提取的特征通过参数调节的方式进╱步细化，再输入给下一层神经网络，以此类推,经过多层神经网络的处理，最终得到猫的特征模型，利用特征模型做出是否为猫的判断。 一个样本 图13-1 日积月累 尽管人工神经网络是科学家们受到人体神经细胞的启发而发明的，但人工神经网络的信息处理能力与人体神经系统相差甚远。人工神经网络的种类很多，如卷积神经网络、循环神经网络等，不同算法实现不同用途。科学家们也在努力研究新的算法，从而让人工神经网络逐渐接近人体神经系统处理信息的能力。 人工神经网络 深度学习 PART 3 深度学习 深度学习是机器学习训练模型的一种算法，是人工神经网络算法的拓展。典型的深度学习模型就是多层神经网络。深度学习模型的结构如图13-1所示，就像人工神经网络一样有输入层,输出层，中间是神经网络构成的隐层。隐层的工作流程是一个一层一层不断递进的处理过程。一般情况下，我们把超过四层的人工神经网络称为深度学习。深度学习通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升计算机处理新数据的准确性。 深度学习可以通过构建卷积神经网络（CNN)来进行图像识别。CNN可以自动从图像中提取出更有用的特征，从而实现对不同物体的识别。 深度学习的理论与应用 深度学习的基本概念：神经网络、反向传播算法 深度学习的优势：强大的表征能力和学习能力 深度学习的发展历程：从人工神经网络到深度学习 深度学习的应用领域：计算机视觉、自然语言处理、语音识别等 深度学习的挑战与未来发展趋势：计算资源、数据质量、模型解释性等 5. 4. 3. 2. 1. 深度学习原理 神经网络实现出行预测 PART 4 神经网络进行出行预测的步骤 使用神经网络进行出行预测的步骤包括数据收集、数据预处理、模型设计、模型训练、模型优化等。 下面仅皇现实现数据输入部分的Python代码。 由于机器学习的结果受到各种外界条件的影响，目前大部分的通过训练形成的模型,很难达到100%正确率，就像我们利用指纹解锁手机，并不是每次都能够解锁成功一样。因此，我们会把正确率高于某个百分率的模型认为是训练成功的模型。 智能预测出行方式的挑战与未来发展 PART 5 技术难题与突破 预测准确性：提高预测模型的准确性，降低误差 大数据处理：有效处理和分析大量出行数据，提高预测效率 实时更新：实现预测模型的实时更新，适应不断变化的出行环境 跨领域合作：加强与交通、气象等领域的合作，提高预测的