2025 高中信息技术数据与计算的时间序列分析课件

一、引言：为何要关注时间序列分析？演讲人04/时间序列分析的工具：从Excel到Python03/时间序列分析的方法：从描述到预测02/时间序列分析的基础：概念与特征01/引言：为何要关注时间序列分析？06/实践与反思：从课堂到生活的“数据思维”05/importpandasaspd07/总结：时间序列分析的“核心价值”目录2025高中信息技术数据与计算的时间序列分析课件01引言：为何要关注时间序列分析？引言：为何要关注时间序列分析？作为一名深耕高中信息技术教学近十年的教师，我常被学生问：“老师，我们学的这些数据处理方法，和实际生活有什么关系？”每当这时，我总会打开电脑，调出一组数据——2023年本校图书馆每月借阅量统计、近五年本地降水量变化图、甚至学生自己记录的每日学习时长表。“看，这些按时间顺序排列的数据里，藏着借阅高峰的规律、雨季的周期，还有你学习效率的波动。”这就是时间序列分析（TimeSeriesAnalysis）的魅力：它是连接数据与现实规律的桥梁，更是培养学生“用数据说话”思维的重要工具。在2025版高中信息技术课程标准中，“数据与计算”模块明确要求学生“能运用适当的方法分析时序数据，发现数据中的模式并进行合理预测”。这不仅是对数据分析能力的具体要求，更是对学生“计算思维”与“数据意识”的综合培养。接下来，我们将从概念、方法、工具到实践，逐步揭开时间序列分析的面纱。02时间序列分析的基础：概念与特征1什么是时间序列？时间序列（TimeSeries）是指同一现象在不同时间点上的观测值按时间顺序排列所形成的序列。它的核心要素有两个：时间维度（t₁,t₂,...,tₙ，通常等间隔，如每日、每月）和观测值（y₁,y₂,...,yₙ，如温度、销量、流量）。举个学生熟悉的例子：某同学记录了2024年1-12月每月的零花钱支出（单位：元）：1月：300，2月：450（春节），3月：280，4月：320，5月：350（五一），6月：400（暑假前）……这组数据就是典型的时间序列，时间间隔为“月”，观测值是“零花钱支出”。2时间序列的四大核心特征要分析时间序列，首先要识别其内在结构。根据统计学理论，时间序列通常由以下四种成分叠加或交织而成：2时间序列的四大核心特征2.1趋势（Trend,T）指数据在较长时间内呈现的持续上升、下降或平稳的变化方向。例如：我国近20年GDP数据的长期增长趋势；某城市冬季气温的逐年升高（全球变暖影响）。2时间序列的四大核心特征2.2季节性（Seasonality,S）指数据因季节、节假日或习俗等因素，在固定周期（通常≤1年）内重复出现的波动。例如：冰淇淋销量的夏季高峰（周期为1年）；超市周末客流量的周期性增长（周期为7天）。2时间序列的四大核心特征2.3周期性（Cyclical,C）与季节性类似，但周期不固定（通常>1年），由经济周期、政策调整等宏观因素引起。例如：股票市场的牛熊转换（周期可能3-5年）；房地产市场的供需波动（受政策调控影响）。2时间序列的四大核心特征2.4随机性（Irregularity,I）又称“噪声”，是无法被上述三种成分解释的随机波动，由突发事件（如疫情、自然灾害）或测量误差导致。例如：某月零花钱因突发购书需求增加100元；某天用电量因设备故障异常升高。教学提示：可让学生分组分析自己收集的时间序列（如每日运动量、班级用电量），尝试用这四个特征分类数据波动，强化理解。03时间序列分析的方法：从描述到预测时间序列分析的方法：从描述到预测时间序列分析的目标有二：描述数据特征（“发生了什么”）和预测未来值（“将会发生什么”）。我们分两步展开。1描述性分析：看清数据的“模样”描述性分析是所有分析的基础，就像医生给病人做“体检”，需要通过可视化和统计量提取关键信息。1描述性分析：看清数据的“模样”1.1可视化工具：让数据“说话”最常用的是折线图（LineChart），横轴为时间，纵轴为观测值，能直观展示趋势与季节性。例如：用Excel绘制“某品牌奶茶店2023年月销量折线图”，可清晰看到夏季（6-8月）的销量高峰（季节性）和全年整体增长（趋势）。进阶工具包括热力图（HeatMap），将时间按“周-日”或“月-日”排列，用颜色深浅表示数值大小，适合分析高频数据（如每日气温）的周期性。例如：某城市2023年每日气温热力图中，6-8月的红色区域（高温）会集中出现，体现季节规律。1描述性分析：看清数据的“模样”1.2统计量计算：用数字量化特征集中趋势：均值（Mean）、中位数（Median），反映数据的平均水平。例如：计算12个月零花钱的均值，可判断“正常”支出范围。离散程度：方差（Variance）、标准差（StandardDeviation），衡量数据波动大小。若某同学零花钱的标准差很大（如±150元），说明支出不稳定（可能受随机因素影响大）。自相关系数（ACF）：衡量同一序列中不同时间点数据的相关性（如t时刻与t+1时刻的关联）。若ACF在滞后1期（t与t+1）显著为正，说明数据有“惯性”（如温度变化）；若滞后12期（t与t+12）显著为正，可能存在年度季节性。1描述性分析：看清数据的“模样”1.2统计量计算：用数字量化特征教学案例：我曾带学生分析学校气象站2022-2023年的每日气温数据。通过折线图，学生一眼看出夏季高温和冬季低温（季节性）；计算月均值后，发现两年同期均值相差仅0.8℃（趋势平稳）；自相关分析显示，滞后365期的ACF为0.92（强年度相关性），验证了季节性的存在。2预测性分析：从历史到未来的“桥梁”预测是时间序列分析的核心应用，高中阶段需掌握简单方法（适合手动计算）和基础模型（借助工具实现）。2预测性分析：从历史到未来的“桥梁”2.1简单预测方法移动平均法（MovingAverage,MA）：用最近k期数据的均值作为下一期预测值，适用于无明显趋势或季节性的数据。例如：用最近3个月的零花钱均值预测第4个月的支出（k=3）。公式：[\hat{y}{t+1}=\frac{y_t+y{t-1}+...+y_{t-k+1}}{k}]优点：计算简单，对随机噪声有平滑作用；缺点：忽略趋势和季节性，k值选择需经验（k太小易受噪声影响，k太大反应滞后）。指数平滑法（ExponentialSmoothing,ES）：给近期数据更高权重，解决移动平均法“平等对待历史数据”的问题。公式：2预测性分析：从历史到未来的“桥梁”2.1简单预测方法[\hat{y}_{t+1}=\alphay_t+(1-\alpha)\hat{y}_t]其中α（0<α<1）为平滑系数，α越接近1，越重视近期数据。例如：α=0.7时，第t月预测值70%来自t月实际值，30%来自t-1月预测值。适用场景：有轻微趋势但无明显季节性的数据（如稳定增长的销售额）。2预测性分析：从历史到未来的“桥梁”2.2基础预测模型对于有明显趋势或季节性的数据，需用更复杂的模型。考虑到高中阶段的知识储备，重点介绍ARIMA模型（AutoRegressiveIntegratedMovingAverage）和季节分解法。ARIMA模型：适用于非平稳时间序列（存在趋势），通过差分（消除趋势）转化为平稳序列，再用自回归（AR）和移动平均（MA）建模。简化理解：“用过去的自身值（AR）和过去的误差（MA）预测未来”。例如：预测某城市GDP时，若原始数据有增长趋势，先进行一阶差分（计算相邻两年的GDP增量），再用ARIMA(1,1,1)模型预测增量，最后还原为GDP预测值。季节分解法（SeasonalDecomposition）：将时间序列分解为趋势（T）、季节性（S）、随机性（I）三部分，分别建模后再组合预测。步骤：2预测性分析：从历史到未来的“桥梁”2.2基础预测模型计算移动平均（消除季节性和随机性），提取趋势T；用原始数据除以趋势（或减去趋势），得到季节-随机部分S×I；计算各季节的平均值（如1月的S₁，2月的S₂），提取季节性S；用趋势外推（如线性回归）预测未来趋势T̂，用季节性S预测未来季节因子，最终预测值=T̂×S（乘法模型）或T̂+S（加法模型）。教学提示：ARIMA模型的数学推导较复杂，高中阶段可侧重“模型适用场景”（如存在趋势但无固定季节周期）和“工具实现”（如用Python的statsmodels库调用ARIMA函数），避免深入公式证明。04时间序列分析的工具：从Excel到Python时间序列分析的工具：从Excel到Python“工欲善其事，必先利其器。”高中信息技术课程强调“技术赋能分析”，需掌握至少两种工具的操作。1Excel：入门级工具的“隐藏功能”Excel虽简单，但内置的数据分析工具库和图表功能足以完成基础分析。步骤1：数据整理：将时间（列A）和观测值（列B）按顺序排列，确保时间间隔一致（如每月1日）。步骤2：绘制折线图：选中数据→插入→折线图，调整坐标轴标签，观察趋势与季节性。步骤3：移动平均计算：数据→数据分析→移动平均，输入窗口大小k（如3），输出结果与原数据对比（可直观看到平滑效果）。步骤4：自相关分析：数据→数据分析→自相关，输入滞后数（如12），生成自相关系数表，通过图表观察相关性衰减规律。学生反馈：去年带高一学生用Excel分析“班级上周每日用电量”时，有学生发现周四用电量异常高，追问后得知是计算机房周五考试前集中充电导致——这正是随机性成分的典型案例，工具的直观性让理论“活”了起来。2Python：进阶分析的“利器”对于需要处理更复杂数据（如非等间隔时间、大量数据点）或使用ARIMA模型的场景，Python的Pandas、Matplotlib、Statsmodels库是首选。数据加载与清洗：用Pandas读取CSV文件（pd.read_csv()），处理缺失值（fillna()）和异常值（如用IQR法识别并替换）。可视化：用Matplotlib绘制折线图（plt.plot()）、自相关图（sm.graphics.tsa.plot_acf()）。模型构建：用Statsmodels的ARIMA模型（sm.tsa.ARIMA().fit()），输出预测结果并评估误差（如均方根误差RMSE）。示例代码片段（分析某城市月均温度）：05importpandasaspdimportpandasaspdimportmatplotlib.pyplotaspltimportstatsmodels.apiassm加载数据data=pd.read_csv('temperature.csv',parse_dates=['date'],index_col='date')绘制原始数据图data.plot(figsize=(10,5))plt.title('MonthlyTemperature(2010-2023)')plt.show()importpandasaspd季节分解decomposition=sm.tsa.seasonal_decompose(data,model='additive')decomposition.plot()plt.show()ARIMA模型拟合（假设数据已平稳）model=sm.tsa.ARIMA(data,order=(1,0,1))#(p,d,q)分别为AR、差分、MA阶数results=model.fit()print(results.summary())importpandasaspd预测未来12个月forecast=results.forecast(steps=12)教学建议：Python部分可作为拓展内容，面向对编程感兴趣的学生，重点掌握“数据清洗-可视化-模型调用”的流程，而非代码细节。06实践与反思：从课堂到生活的“数据思维”1课堂实践任务设计为强化学生的动手能力，可设计“三步实践法”：数据收集：分组选择主题（如“个人每日屏幕使用时间”“班级周图书借阅量”“家庭月用电量”），用Excel或手机APP（如“时间块”“随手记”）记录至少3个月数据。分析操作：用Excel完成折线图绘制、移动平均计算；用Python（可选）尝试季节分解。报告撰写：结合分析结果，撰写《XX时间序列分析报告》，包含“数据描述-特征识别-预测结果-结论建议”四部分（如“根据屏幕使用时间的季节性（周末延长），建议设置周末22点自动锁屏”）。2常见问题与反思在教学实践中，学生常遇到以下问题，需重点引导：数据质量问题：部分小组的时间序列存在缺失值（如漏记某一天数据）或异常值（如某天因生日聚餐导致零花钱骤增）。需强调“数据清洗是分析的前提”，可通过“线性插值”填补缺失值，用“上下界法”（如均值±2倍标准差）识别异常值。模型选择困惑：学生常纠结“该用移动平均还是指数平滑”。需引导其观察数据特征：若数据平稳（无趋势/季节），用移动平均；若近期数据更重要（如社交平台粉丝增长），用指数平滑；若有明显季节