第12课《智能预测出行方式》教学课件-2025-2026学年浙教版初中信息技术九年级全册

该初中信息科技课件围绕智能预测出行方式，系统讲解预测模型构建五步法，结合距离、天气、路况、时间紧急度等核心特征，通过生活中出行选择的情境导入，回顾模型构建步骤，引导学生从特征筛选、数据集搭建到模型训练与优化，形成完整知识脉络。 其亮点在于以真实出行场景为载体，通过案例分析（如成功与失败预测）和小组讨论培养计算思维，借助数据集Checklist强化信息意识，融入绿色出行优化体现信息社会责任。学生能掌握AI建模全流程，教师可利用结构化内容提升教学效率，助力核心素养培养。

《智能预测出行方式》教学课件 浙教版（新教材）初中信息技术九年级 1.7.2013 大家好，欢迎来到今天的信息技术课堂。我们每天都在面临出行选择，是走路、骑车还是坐车？今天，我们将一起学习如何利用人工智能技术，让机器帮我们做出最聪明的出行决策。 ‹#› 知识回顾：预测模型构建五步法 01. 数据集构建 从实际场景中收集原始数据，并进行初步的整理与整合，确保数据的完整性与可用性，为后续建模打下坚实基础。 02. 数据预处理 对原始数据进行清洗、去噪、填补缺失值，并规范数据格式与量纲，消除数据中的异常干扰，提升数据质量。 03. 特征提取 从预处理后的数据中筛选、构造对目标变量有显著影响的关键特征，降低数据维度，突出核心信息，优化输入数据。 04. 模型训练 选择合适的算法，利用标注数据对模型进行训练，调整模型参数，让机器从数据中学习特征与结果之间的潜在规律。 05. 模型评估与优化 使用测试集数据检验模型的泛化能力，分析准确率、误差等指标，针对模型不足进行参数调整或算法迭代，不断提升模型的预测效果。 课堂互动时刻 同学们，谁能结合右边的机器学习分类图，快速复述一下构建预测模型的这五个关键步骤呢？ 1.7.2013 在上节课中，我们学习了构建预测模型的五个基本步骤。大家还记得是哪五步吗？没错，就是数据集构建、预处理、特征提取、模型训练和评估优化。今天，我们将把这些知识应用到一个具体的场景中——预测出行方式。 ‹#› 情境导入 - 我们的出行选择 生活中的决策：我们如何选择出行方式？ 当你计划从家出发去一个目的地时，会综合考量哪些关键因素来决定乘坐公交、地铁还是打车呢？ 学生视角 A：客观环境因素 “首先会看距离远不远，还有当天的天气好不好，会不会下雨。另外，路上会不会堵车也是很重要的一点！” 学生视角 B：主观需求因素 “主要看赶不赶时间，要花多少钱。当然，最重要的还是出行的安全性，以及换乘是否方便。” 核心探究：既然我们能通过综合分析这些复杂因素做出判断，那么人工智能能否通过数据建模，自动学习这些规律，为我们预测最优的出行方式呢？ 1.7.2013 在开始建模之前，我们先来聊聊生活。当你要出门时，你会怎么选择出行方式？大家会考虑很多因素，比如距离、天气、路况等等。既然我们人可以根据这些因素做出判断，那我们能不能让人工智能也学会这项技能呢？ ‹#› 精准预测的第一步：找到核心特征 01 / 什么是“特征”？ 特征（Feature）是影响结果的关键数据。在出行预测场景中，它具体指那些左右我们选择出行方式的各类关键因素，是构建预测模型的基础原料。 02 / 为何要筛选核心特征？ 无关数据会成为“噪声”，严重干扰模型的判断逻辑，大幅降低预测精准度。只有筛选出真正的核心特征，才能帮助AI模型聚焦关键规律，高效、准确地学习和预判出行行为。 核心洞察：精准的特征筛选，是让AI从海量数据中“看懂”规律的前提。 1.7.2013 要让AI学会预测，第一步就是找到影响结果的关键数据，我们称之为“特征”。在出行预测中，特征就是我们刚才提到的那些影响因素。我们必须筛选出核心特征，因为无关的数据会干扰模型，让它做出错误的判断。 ‹#› 核心特征 ①：距离 近距离 (0-2km) 适用于日常短程出行，以慢行交通为主。步行与骑行灵活便捷，能轻松应对最后一公里的接驳，是最经济环保的选择。 中距离 (2-10km) 覆盖城市日常通勤与区域活动范围，以公共交通和共享出行为核心。公交成本低，私家车与共享单车则提供了更好的灵活性。 远距离 (>10km) 适用于跨区域或城际出行，依赖高速大运量交通。地铁高效准时，私家车舒适直达，高铁则是城际远距离出行的最优解。 总结：距离是决定出行方式的首要核心因素，不同距离层级对应着差异化的交通解决方案，合理匹配能大幅提升出行效率与体验。 1.7.2013 第一个核心特征是距离。这很好理解，去楼下便利店和去另一个城市，我们的选择肯定不同。通常我们会根据距离远近，将出行方式分为步行骑行、公交私家车和地铁高铁等不同层次。 ‹#› 核心特征 ②：天气 晴好天气 适合选择步行、骑行等低碳环保的出行方式，充分享受户外新鲜空气，在轻松的节奏中提升出行的愉悦感与健康收益。 雨/风/高温天 优先选择公交、私家车等具备遮蔽条件的室内交通工具，规避恶劣天气对身体的直接影响，最大程度保障出行的安全与舒适度。 雨雪冰冻天 路面湿滑易结冰，需格外谨慎选择非机动车出行。建议提前规划路线并预留充足时间，以稳慎的方式确保每一步行程的安全。 天气状况是决定出行舒适度与安全性的关键变量，灵活调整出行方式，能有效提升我们的日常通勤体验。 1.7.2013 第二个特征是天气。晴天我们可能愿意骑车，但如果下雨或者刮大风，我们肯定会优先选择有遮蔽的交通工具。天气是影响我们出行舒适度的重要因素。 ‹#› 核心特征 ③：路况 路况畅通 当道路通行条件良好时，可灵活选择私家车自驾或骑行等方式，既能享受出行的自由度，也能保障行程的时效性。 遭遇拥堵 在早晚高峰或节假日易拥堵时段，建议优先选择公交、地铁等公共交通方式，避开拥堵路段，确保行程不受路面车流影响。 政策限行 出行前需提前查询目的地的车牌限行政策，合理规划车辆使用，或灵活切换为公共交通，避免因违规限行造成不便。 总结：根据实时路况和政策灵活调整出行方案，是高效通勤、规避风险的关键策略。 1.7.2013 第三个特征是路况。这是我们每天都关心的问题。如果路况畅通，开车或骑车都不错；但如果堵车，地铁或公交可能就是更好的选择。此外，还要考虑车牌限行等政策因素。 ‹#› 核心特征 ④：时间紧急度 紧急时刻：效率优先 当行程时间紧迫时，我们的首要考量是速度。通常会选择私家车、出租车，或是直达性最强、耗时最短的公共交通工具，以最快速度抵达目的地。 宽松时段：从容选择 当时间充裕时，我们更倾向于选择经济实惠且低碳环保的出行方式。公交、地铁、骑行或步行不仅能降低出行成本，还能欣赏沿途风景，兼顾健康与可持续发展。 核心洞察：时间的紧迫性直接决定了出行决策的优先级，从“速度至上”转向“体验与环保并重”。 1.7.2013 第四个特征是时间紧急度。如果快迟到了，我们会选择最快的方式，比如打车。但如果时间很充裕，我们可能会选择更环保、更经济的方式，比如坐公交或者骑自行车。 ‹#› 给模型“喂饭”：搭建出行预测数据集 核心定义 数据集是人工智能模型学习的“教材”，它由大量的真实历史出行样本数据构成。模型通过学习这些样本，才能理解特征与结果之间的规律，从而具备预测能力。 关键构成 每一组有效数据都包含两部分：一是描述场景的特征数据（如距离、天气、时间），二是对应的真实标签（如步行、公交）。特征决定输入，标签标定正确答案。 样本示例 特征组合：距离近、天气晴、路况畅通、时间宽松。 对应标签：步行。这样的样本让模型学会在“短途、好天气、不赶时间”的条件下，优先推荐步行方案。 优质的数据集是模型准确预测的基石，丰富的样本和精准的标签，能让AI更懂用户的每一次出行需求。 1.7.2013 找到了核心特征，我们就要开始搭建数据集了。数据集就是给模型学习用的“教材”。它由很多历史出行样本组成，每个样本都包含了当时的特征数据，以及对应的真实出行方式，我们称之为“标签”。 ‹#› 数据集的两大核心要素 01. 特征数据 (Features) 用于描述当前出行场景的各项关键属性，是模型进行判断的输入依据，能够全面刻画决策时的环境与条件。 典型示例：出发地与目的地的距离、当天气候状况、实时道路拥堵程度、行程的时间紧急度等。 02. 标签 (Label) 对应特定特征场景下，用户实际选择的真实出行方式，是模型学习的目标结果，代表了正确的决策答案。 典型示例：在该场景下，用户最终选择了步行、共享单车、公共交通（公交/地铁）或私家车等出行方式。 特征数据构建了问题的输入维度，而标签定义了问题的输出答案，二者相辅相成，共同构成了监督学习的完整数据基础。 1.7.2013 所以，一个完整的数据集由两大核心要素构成：特征数据和标签。特征数据描述了当时的场景，比如距离、天气等；而标签则告诉模型，在那样的场景下，人们实际选择了哪种出行方式。 ‹#› 数据集搭建要求 (一) 数据样本数量充足 数据是模型训练的基石，样本数量越充足，模型接触的案例就越多，学习到的特征越丰富，最终的泛化能力和预测准确性也就越强。 场景覆盖维度全面 需全面覆盖不同距离、天气状况、交通路况及时间段的出行场景，确保模型在复杂多变的现实环境中，都能稳定、可靠地做出判断。 典型反例警示： 如果仅收集晴天、畅通路况下的出行数据，模型将缺乏对雨天、拥堵、夜间等场景的认知，在实际应用中极易出现预测偏差，甚至完全失效。 1.7.2013 搭建数据集有几个基本要求。首先是数量要充足，场景要全面。数据越多，模型学习得越充分。同时，我们要覆盖各种可能的场景组合，比如晴天和雨天，拥堵和畅通。否则，模型就会“偏科”，无法应对新情况。 ‹#› 数据集搭建要求 (二) 数据真实规范 数据必须完全来自真实的出行记录场景，拒绝虚构或模拟数据。确保采集的信息源可追溯、可验证，从源头保证数据的真实性与规范性，为模型训练提供可靠的基础支撑。 无缺失无错误 严格执行数据清洗流程，检查并剔除错误、重复、无效的数据条目；通过合理的插值或补全方法完善缺失字段，保障数据集的完整性与准确性，避免“垃圾数据进，垃圾模型出”。 核心原则：数据是模型的“养料”，只有真实、规范、无错漏的高质量数据，才能让模型学习到正确的规律，产出可靠的分析结果与决策依据。 1.7.2013 其次，数据必须真实、规范，不能有错误或缺失。模型是根据我们给的数据来学习的，如果数据本身就是错的，那模型学到的规律也必然是错的。所以，数据清洗和预处理非常重要。 ‹#› 数据预处理：规范编码 将业务场景中文字描述的非结构化特征（如状态、分类、等级等），转化为计算机模型可识别、可计算的标准化数字格式，是数据进入模型训练前的关键转换步骤。 分类特征映射：天气状态 将“晴、雨、阴”等定性描述，按规则转换为“1、2、3”的离散数值，消除文字语义的模糊性，统一输入维度。 顺序特征量化：距离等级 对“近、中、远”这类有强弱顺序的文本，编码为“1、2、3”的连续梯度数值，保留其内在的逻辑层级关系。 核心价值：消除文本数据的异构性，大幅降低模型的计算复杂度，从而有效提升算法训练的收敛速度与最终预测的精准度。 1.7.2013 数据预处理的一个重要步骤是规范编码。因为模型只认识数字，不认识文字。所以我们需要把“晴天”、“雨天”这样的文字描述，转换成“1”、“2”这样的数字。这样才能让模型高效地进行学习。 ‹#› 数据集搭建 Checklist 明确特征与标签 在收集数据前，必须清晰界定核心特征变量与目标标签，确保数据采集方向精准，避免无效信息冗余。 保证样本数据量 样本数量需达到统计学要求，数据量充足才能支撑模型学习到数据的内在规律，避免模型出现欠拟合现象。 覆盖全面应用场景 数据需涵盖真实环境中的各类边缘情况与极端场景，确保模型在多样化的实际应用中依然具备稳定的泛化能力。 严控核心数据质量 确保数据真实可靠、无逻辑错误、无关键信息缺失，并做好异常值的识别与处理，高质量的数据是构建高准确度模型的基石。 规范完成数据编码 将非结构化的文本、类别等数据，通过合理的编码方式（如独热编码、标签编码）转换为模型可识别的数字格式，消除数据格式障碍。 1.7.2013 好了，我们来总结一下搭建数据集的Checklist。记住这五点：明确特征与标签、保证数据量、保证场景全面、保证数据质量、完成数据编码。这是保证我们模型质量的基础。 ‹#› 模型训练：让机器“学会”预测 01 / 核心定义 模型训练的本质，就是将我们精心清洗、预处理好的数据集“喂”给核心算法，让计算机在海量数据中自动挖掘、归纳特征与出行方式之间隐藏的对应规律，完成从“数据”到“知识”的转化过程。 02 / 最终目标 我们的核心目标是构建一个具备泛化能力的智能模型。它不仅能理解已知数据中的规律，更能面对全新的、未见过的出行场景时，快速分析关键特征，精准预测出用户最可能选择的出行方式，辅助决策。 就像学生通过做题掌握知识一样，模型通过学习数据规律，从“新手”成长为可以解决实际问题的“专家”。 1.7.2013 数据集准备好了，下一步就是模型训练。简单来说，就是把我们整理好的数据集“喂”给算法，让它像学生做练习题一样，自动学习特征和出行方式之间的规律。我们的目标是训练出一个聪明的模型，能够预测新场景下的出行方式。 ‹#› 训练流程：先学习，后考试 训练集 (Training Set) 它是用于模型学习规律的“教材”，包含了大量的标注数据，让模型从中学习特征与目标之间的映射关系。通常占总数据量的大部分，例如 70% 到 80%。 测试集 (Test Set) 它是用于检验模型学习效果的“考卷”，包含模型从未见过的数据。通过模型在测试集上的表现，客观评估其泛化能力。通常占总数据量的小部分，例如 20% 到 30%。 核心逻辑：将数据严格划分为互不相交的两部分，确保训练与测试的独立性，才能真实反映模型的学习成果与泛化能力。 1.7.2013 训练流程就像我们上学一样，要先学习，后考试。我们会把数据集分成两部分：大部分作为“训练集”，给模型学习用；小部分作为“测试集”，用来检验模型学得怎么样。 ‹#› 我们的模型：分类预测模型 出行预测并非预测具体数值，而是属于典型的分类预测任务。模型通过分析特征，从预定义的类别中做出最优选择。 核心定义：归类预定义类别 模型的核心任务是根据输入的多维特征（如距离、时间、天气等），将用户的出行行为精准归类到步行、公交、私家车等预定义的离散类别中。 直观类比：做“单项选择题” 这就像我们日常做选择题，模型从给定的“选项库”中，基于数据特征分析，计算并选择出概率最高、最符合实际情况的那一个“答案”。 关键洞察：分类预测的本质是在有限的离散结果中，寻找最优匹配，而非生成连续数值。 1.7.2013 我们今天要构建的出行预测模型，属于一种“分类预测模型”。它的任务不是预测一个具体的数值，而是从几个预定义的类别中，选择一个最合适的。就像做选择题，模型需要从步行、公交、私家车等选项中，选出一个最佳答案。 ‹#› 结果分析：模型考了多少分？ 对比真实结果 将模型输出的预测值与测试集中的真实标签逐一比对，直观判断预测结果的正确性，是最基础的结果校验方式。 计算准确率指标 统计预测正确的样本数量占总测试样本数量的百分比，用准确率（Accuracy）量化模型整体的性能表现，是评估模型的核心指标。 复盘错误样本 深入挖掘预测错误的案例，分析是数据噪声、特征缺失还是模型能力不足导致，为后续优化模型提供关键的改进方向。 通过这三个维度的分析，我们不仅能知道模型“考了多少分”，更能明白它“为什么丢分”，从而指导我们不断迭代优化。 1.7.2013 模型训练完成后，我们就要用测试集来给它“考试”，看看它考了多少分。分析结果主要看三点：一是对比预测值和真实值，看对不对；二是统计整体的准确率；三是深入分析那些预测错误的案例，找出原因。 ‹#› 案例分析：一次成功的预测 测试样本特征 本次输入的关键特征为：出行距离近、天气晴朗、道路通行状况良好，且用户可支配出行时间较为宽松。 模型预测结果 基于输入的多维特征，模型经过算法推演与概率计算，最终输出的预测出行方式为： 骑行 真实出行方式 通过实际数据采集与用户行为记录，验证了该场景下用户最终选择的真实出行方式为： 骑行 结论：预测正确！模型在“近距离、优环境、宽时限”的综合场景中，精准匹配了用户的真实出行需求，验证了算法的有效性。 1.7.2013 我们来看一个成功的案例。当模型接收到“近距离、晴天、路况畅通、时间宽松”这些特征时，它预测出行方式是“骑行”，而真实情况也是“骑行”。这说明模型在这个场景下做出了正确的判断。 ‹#› 案例分析：一次失败的预测 测试样本输入 模型接收到的关键环境与场景特征为：远距离出行、阴雨天气、城市核心区路况严重拥堵。 结果对比分析 模型预测结果：步行 真实出行方式：公交 预测判定：错误 在远距离且恶劣天气的条件下，模型未能正确评估“步行”的可行性成本，忽视了公共交通的优先级权重，暴露了特征工程中的逻辑漏洞。 💡核心反思：该案例表明模型对极端天气与距离的耦合特征处理不足，后续需增加惩罚因子以规避此类不符合常理的预测结果。 1.7.2013 当然，模型也会犯错。比如在这个案例中，特征是“远距离、雨天、路况拥堵”，模型居然预测“步行”，这显然是错误的，真实情况是“公交”。这说明我们的模型还不够完善。 ‹#› 小组讨论：模型出错的可能原因？ 01 数据问题 数据集场景覆盖不全，比如模型在训练时缺少了雨天、远距离等关键环境下的样本数据，导致模型在这些真实场景中泛化能力不足，无法准确识别目标。 02 特征问题 核心特征筛选出现遗漏，例如在交通场景中未充分考虑“是否有地铁”这类关键环境特征，或者特征工程处理不当，使得模型无法捕捉到影响结果的关键信息。 03 训练问题 模型训练的迭代次数不足，或者学习率设置不合理，导致模型未能充分学习到数据中的内在规律和模式，出现欠拟合现象，进而在新的测试数据上表现不佳。 1.7.2013 那么，模型为什么会出错呢？大家分组讨论一下，可能的原因有哪些？可能是我们的数据不够全面，缺少了某些场景的样本；也可能是我们漏掉了一些重要的特征；还可能是模型训练得还不够充分。 ‹#› 模型评估三步法 01. 看准确率 通过整体准确率指标，快速把握模型的基础性能表现，判断模型是否达到预期的基准线，是评估的第一步。 02. 看错误案例 深入分析模型预测错误的样本，定位模型的薄弱领域和易混淆场景，这是发现具体问题、实现针对性优化的关键。 03. 分析原因 探究错误背后的深层逻辑，是数据质量问题、特征缺失，还是模型结构缺陷？明确原因，为后续迭代和优化策略指明方向。 核心逻辑：从宏观指标到微观案例，再到深层归因，形成闭环的评估体系，驱动模型持续进化。 1.7.2013 总结一下，模型评估有三步法：首先看准确率，了解整体表现；然后看错误案例，定位薄弱环节；最后分析原因，为下一步的优化指明方向。 ‹#› 精益求精：让模型更聪明 01. 为何需要优化模型？ 初始训练的模型往往不够完美，在面对复杂多变的真实世界时，容易出现预测误差。优化模型，就是为了校准这些偏差，让它能更好地拟合数据规律，从而更精准地应对现实中的各种情况。 02. 优化的核心目标 我们的终极目标是持续提升模型的预测准确率，让它在处理未知信息时也能做出更可靠的判断。通过不断迭代，让模型真正学会理解数据背后的逻辑，从而变得更加“懂你”。 核心洞察：模型优化不是一次性的工作，而是一个持续迭代的过程，旨在缩小理论预测与现实应用之间的差距。 1.7.2013 既然模型会出错，我们就需要对它进行优化，让它变得更聪明。优化的目的就是为了提升预测的准确率，让模型能更好地适应真实世界的复杂情况，更“懂你”。 ‹#› 优化方法 (一)：优化数据 补充数据 针对模型预测错误的特定场景，定向补充更多相关样本，强化模型在薄弱环节的学习能力，有效提升特定场景下的预测准确率。 扩大总量 持续增加数据集的整体规模，引入多样化的场景与特征分布，让模型接触更丰富的信息，夯实泛化能力的基础，减少过拟合风险。 清理数据 系统性地检测并删除异常、错误或重复的样本，消除噪声数据对模型训练的干扰，保障数据输入的质量，确保模型学习到真实有效的规律。 1.7.2013 优化的第一步是优化数据。我们可以针对模型出错的场景，补充更多相关的训练样本。同时，继续扩大数据集的总量，并清理掉那些异常和错误的数据。 ‹#› 优化方法 (二)：优化特征 重新核对 全面复盘现有特征体系，重点检查是否遗漏关键维度。例如在分析出行场景时，确认是否纳入“是否携带重物”这类对结果有显著影响的潜在特征。 补充特征 结合业务逻辑与数据洞察，挖掘并引入新的高价值特征。通过领域知识和相关性分析，补充那些能有效提升模型解释力和预测准确率的关键信息。 剔除干扰 清理冗余、噪声大或具有误导性的特征。移除低方差、高共线性的无效变量，降低模型复杂度，避免过拟合风险，让核心规律更清晰地显现。 核心目标：通过特征的“增、删、查”闭环管理，构建更精准、更简洁的特征空间，为模型训练奠定坚实的数据基础。 1.7.2013 第二步是优化特征。我们可以重新检查一下，是不是漏掉了什么重要的特征，比如“是否携带重物”。同时，增加新的有影响力的特征，并剔除那些无效的干扰项。 ‹#› 优化方法 (三)：优化模型参数 增加训练次数 延长模型的训练周期，让算法在数据中进行更充分的迭代学习，从而挖掘出数据中更深层的潜在规律。 微调运算参数 精细调整模型内部的“学习规则”，如学习率、步长等核心超参数，平衡模型的收敛速度与拟合精度。 更换模型算法 尝试决策树、神经网络、支持向量机等不同的算法模型，结合业务场景的特性，选择适配性最优的方案。 核心逻辑：通过对训练过程、参数配置及底层算法的多维调整，不断逼近模型性能的最优解。 1.7.2013 第三步是优化模型本身。我们可以增加训练次数，让模型学习得更充分。也可以微调模型内部的一些参数，就像调整学习方法一样。甚至，我们还可以尝试更换不同的算法，看看哪种效果更好。 ‹#› 技术向善：让模型推荐绿色出行 倡导低碳生活，让每一次出行都为地球减负，实现技术与自然的和谐共生。 我们可以优化模型底层的决策规则，引导算法在多个可行的出行方案中，主动筛选并优先推荐更低碳、更高效、更环保的出行方式，赋予技术人文关怀。 场景实践：优先策略 在距离适中、时间允许的前提下，模型将自动降低私家车推荐权重，转而优先展示骑行、公交或地铁等绿色交通方式，潜移默化影响用户行为。 核心价值：科技守护 超越单纯的效率追求，致力于实现技术服务生活、保护环境的深层价值，让人工智能不仅服务于人，更守护我们共同的生存家园。 1.7.2013 除了追求精准，我们还可以让模型更有“温度”。通过优化模型规则，我们可以让它在多个选项中，优先推荐更环保、更绿色的出行方式，比如在条件允许时，优先推荐骑行或公交。这体现了技术向善的理念。 ‹#› 知识回顾：本节课我们学到了什么？ 01. 四大核心特征 深入掌握了影响出行预测的关键变量，包括距离远近、实时天气状况、道路交通流量以及不同时间段的出行规律。 02. 数据集搭建 学会了从数据采集、清洗预处理到标注的完整流程，掌握构建规范、高质量且具有代表性的出行数据集的核心方法。 03. 模型训练与分析 熟悉了模型训练的完整流程，掌握了如何选择合适的算法，并运用科学的指标对模型预测结果进行客观评估与深度分析。 04. 模型优化策略 了解了从数据增强、特征工程优化以及模型超参数调优等多个维度，系统性提升模型预测准确率和泛化能力的实用策略。 1.7.2013 好了，课程接近尾声，我们来回顾一下本节课的核心内容。我们学习了影响出行预测的四大核心特征，学会了如何搭建数据集，掌握了模型训练和评估的方法，还了解了如何优化模型。 ‹#› 能力跃迁：从“学会建模”到“活用建模” 信息意识 主动观察生活中的各类现象，能敏锐识别其中的数据特征，具备从海量信息中挖掘有效数据的基本素养。 计算思维 理解算法与模型的逻辑，能将复杂的生活问题抽象化，运用AI模型的思路来分析、推理并尝试解决实际问题。 数字化创新 具备创新意识，能结合工具独立完成从数据采集、模型构建到结果验证的全流程，创造有价值的数字化解决方案。 社会责任 树立正确的技术价值观，理解技术的社会影响，主动利用所学的建模技术去关注和践行绿色生活、公益服务等社会责任。 1.7.2013 通过这节课的学习，我们不仅学会了建模的知识，更重要的是提升了我们的核心素养。我们培养了信息意识、计算思维，锻炼了数字化创新能力，更树立了利用技术服务社会的责任感。 ‹#› 课后思考与拓展 01. 探索更多影响出行的变量 除了课程中提到的速度、舒适度、环保性和准时性，在实际生活中，还有哪些关键因素会左右你的出行决策？试着从经济成本、同行伙伴、目的地配套设施（如停车便利性）等角度展开思考，记录下你的发现。 02. 设计校园“智能出行建议系统” 假设你是产品设计师，为解决同学们的出行难题，你会如何搭建这个系统？它需要收集哪些数据？核心功能是什么？尝试画出简单的逻辑框架图，让你的方案更具可行性和创新性。 小贴士：尝试结合本节课学到的交通特征知识，将理论应用到实际方案中，让思考更有深度。 1.7.2013 课后，请大家思考两个问题。第一，除了我们今天讨论的四个特征，还有哪些因素会影响你的出行选择？第二，如果让你来为我们学校设计一个智能出行建议系统，你会怎么做？希望大家能将所学知识活学活用。 ‹#› 感谢聆听！ 让我们一起用智能技术，创造更美好的生活！ 1.7.2013 今天的课程到此结束，感谢同学们的认真学习。希望大家能带着今天学到的知识，去探索更多智能技术的奥秘，用科技创造更美好的生活！谢谢大家！ ‹#› $