高中信息技术《基于日历数据的时间序列分析与应用》教学设计

高中信息技术《基于日历数据的时间序列分析与应用》教学设计

一、教学背景分析

（一）教材分析

本课内容源自高中信息技术课程选择性必修模块“数据与数据结构”及“人工智能初步”的交叉延伸，是对教材中“数据处理与分析”单元的深度拓展与创新应用。教材原有内容侧重于静态数据集的处理与简单统计，而本设计引入“日历数据”这一具有鲜明时间维度的动态数据源，将数据分析置于真实的时间语境中，旨在引导学生理解时间序列数据的基本特征、掌握基于日历周期（如年、月、周、季节、节假日）的数据变换与分析方法，并初步体验从数据中挖掘规律、进行预测与决策支持的全过程。这一内容不仅深化了课程标准中关于“数据采集、分析与可视化”的要求，更融入了数学建模、程序设计、领域知识（如社会学、经济学）等多学科元素，体现了信息技术课程的综合性与时代性。

（二）学情分析

本课教学对象为高中二年级学生。他们已经具备了一定的信息技术基础，包括Python编程的基本语法、pandas库的初步使用、数据清洗与简单统计分析的能力。在数学学科中，学生已学习函数、统计初步等知识，对变量、趋势、周期等概念有初步认知。然而，学生对“时间”作为数据的一个特殊维度理解尚浅，往往将其视为普通分类变量，缺乏对时间序列自相关性、趋势性、季节性等特性的系统性认识。此外，学生将编程技能与领域知识结合解决实际问题的跨学科综合能力仍有待提升，尤其在从日历数据中提炼业务洞察、构建预测模型方面，需要教师搭建有效的思维脚手架。因此，本课设计需注重从具体生活经验（如节假日消费、季节性天气变化）切入，引导学生逐步抽象出时间序列分析的一般方法，并借助编程工具实现从数据到知识的转化。

（三）设计理念

本教学设计以“深度学习”与“项目式学习”为核心指导理念，遵循“源于生活、基于数据、指向素养”的原则。课程以真实世界的日历数据为研究对象，创设“用数据读懂时间”的大情境，通过“感知-探究-建模-应用”的螺旋式上升路径，驱动学生主动建构知识。在课堂实施中，强调以学生为中心，通过任务驱动、小组协作、思维外显等策略，将学科核心素养（信息意识、计算思维、数字化学习与创新、信息社会责任）的培育贯穿始终。同时，本设计融入了跨学科视野，引导学生从历史、经济、环境等角度解读日历数据背后的社会意义，培养其用数据思考、用数据说话、用数据决策的现代公民素养。

二、教学目标与核心素养

（一）教学目标

1.理解时间序列数据的概念，认识日历数据作为特殊时间序列的特征与价值。【基础】

2.掌握基于日历特征（如星期几、月份、季度、是否为节假日）对数据进行分组、聚合与重采样的方法，能够使用pandas库进行相关操作。【重要】

3.能够运用滑动窗口计算移动平均，识别并分析时间序列的趋势性与季节性成分。【重要】【高频考点】

4.初步了解时间序列分解的基本思想，能基于简单模型（如朴素季节法）对未来趋势进行预估。【拓展】【难点】

5.通过小组项目，完成一个基于日历数据的实际问题分析与可视化报告，培养数据建模与问题解决能力。【核心】

6.在数据分析过程中，理解数据时效性，尊重数据来源，形成基于数据证据进行判断与决策的理性思维。【素养】

（二）核心素养指向

1.信息意识：能够敏锐感知日历数据在日常生活与各行业中的广泛存在，主动从时间维度审视数据价值。

2.计算思维：能够将实际问题抽象为时间序列分析模型，运用算法（如滑动平均、分组聚合）解决问题，并能将求解过程进行形式化表达。

3.数字化学习与创新：能够利用数字化工具（Python、pandas、matplotlib）高效处理与分析日历数据，创新性地呈现分析结果并支持决策。

4.信息社会责任：在利用历史数据进行预测时，能辩证看待预测的局限性与不确定性，避免滥用数据结论。

三、教学重点与难点

（一）教学重点

1.掌握pandas中时间索引的设定与操作，包括生成日期范围、转换为datetime对象、提取日期成分（年、月、日、星期、季度等）。【基础】【高频考点】

2.运用groupby与resample方法，基于日历周期对时间序列数据进行聚合与重采样，完成不同时间粒度的数据统计。【重要】【核心技能】

3.使用rolling方法计算移动平均，识别并可视化数据的长期趋势。【重要】【高频考点】

（二）教学难点

1.理解时间序列的自相关性及其与传统静态数据统计分析的区别。【难点】

2.能够根据具体业务场景（如零售、交通、环境监测）选择合适的时间粒度与分析方法，并对分析结果进行合理的业务解读。【难点】【核心素养】

3.初步领悟时间序列的季节性、周期性成分的分离思想，并能运用朴素方法（如按月份计算平均）进行分解与预测。【拓展】【挑战点】

四、教学方法与准备

（一）教学方法

1.项目式学习：以“某城市共享单车每日使用量分析”为贯穿项目，引导学生分步骤完成从数据清洗、特征工程到趋势分析与预测建议的全流程。

2.任务驱动法：将项目拆解为若干个有梯度的探究任务，每个任务聚焦一个核心知识点，学生在完成任务的过程中自主建构知识。

3.协作探究法：小组合作完成复杂任务，通过讨论、互助、互评，深化理解，提升沟通协作能力。

4.范例教学法：教师通过典型示例（如某电商销售额数据分析）演示核心方法，为学生提供可迁移的分析范式。

（二）教学准备

1.硬件环境：计算机网络教室，学生机预装Python3.8+、JupyterNotebook或VSCode，安装pandas、matplotlib、seaborn、statsmodels库。

2.软件资源：精心准备的JupyterNotebook项目模板，包含分步引导、代码框架与注释。

3.数据集：

1.4.[核心数据集]：某城市2019-2021年共享单车每日订单量数据.csv(包含字段：date,total_orders)

2.5.[辅助数据集]：该城市同期天气数据.csv(包含字段：date,weather_condition,temperature)

3.6.[拓展数据集]：某超市2018-2020年每日销售额数据.csv；某景区历年节假日游客量数据.csv

7.学习支架：设计“时间序列分析思维导图”半成品，供学生在学习过程中逐步完善；提供“数据分析报告模板”。

五、教学实施过程

（一）创设情境，导入新课——用数据“看见”时间的秘密

1.课堂开启，教师在大屏幕上展示一组可视化图表：一张是某城市共享单车一年内的每日使用量折线图，另一张是同期的天气状况与节假日标记图。图表呈现出鲜明的周期性：周末使用量高于工作日，节假日出现高峰或低谷，夏季高于冬季。

2.教师提问：“同学们，时间本身是抽象且匀速流逝的，但这些数据却让时间有了‘形状’。你们能从这个折线图中‘看见’时间的哪些秘密？”学生观察并回答，如“周末骑的人多”“夏天骑的人多”“过年的时候好像特别少”等。

3.教师顺势引导：“这些数据，按日期排列，我们称之为‘日历数据’或‘时间序列数据’。它记录着世界在时间维度上的‘脉动’。今天，我们就化身为‘数据侦探’，学习如何应用日历数据，挖掘隐藏在日期背后的规律，甚至尝试预测未来。【核心情境：共享单车运营优化】

4.教师揭示本节课的项目主题：“我们将以‘某城市共享单车每日使用量分析’为实战项目，帮助共享单车运营公司解答几个核心问题：哪几个月需要增加车辆投放？周末与工作日调度策略有何不同？节假日对用车需求影响有多大？让我们一起开始这段数据探索之旅。”【导入用时约5分钟】

（二）任务驱动，探究新知——玩转日历数据的基本功

1.任务一：让数据拥有“时间之眼”——构建时间索引。【基础】

（1）教师演示：读取共享单车数据csv文件，展示原始DataFrame。指出“date”列目前是普通字符串类型，无法发挥时间序列的强大功能。

（2）核心讲解与操作：教师讲解pandas中的Timestamp与DatetimeIndex类型，演示如何用pd.to_datetime()将“date”列转换为时间类型，并使用set_index()将其设为行索引。【重要：时间索引是后续所有时间序列操作的基础】

（3）学生跟随操作：在自己的JupyterNotebook中完成数据读取与时间索引设置。教师巡回指导，检查转换结果，强调日期格式的统一性。

（4）即时练习：教师给出一个新的日期字符串列表，要求学生快速生成一个DatetimeIndex，并提取出其中的“星期几”信息（使用dt.dayofweek属性）。【基础巩固】

2.任务二：从日历中“切分”时间——提取日期成分。【重要】【高频考点】

（1）情境延续：教师提出：“我们想知道单车使用量在‘星期几’上有何规律？这需要将数据按星期几分组。”引导学生思考如何从日期中提取星期信息。

（2）方法探索：教师引导学生探索dt访问器的功能，演示如何便捷地提取年份（dt.year）、月份（dt.month）、季度（dt.quarter）、星期几（dt.dayofweek或dt.day_name()）、是否为周末（结合dt.dayofweek判断）等新特征。【核心操作】

（3）学生实践：在单车数据中添加“weekday”、“month”、“is_weekend”等新列，并利用groupby计算平均使用量在不同星期几的分布，绘制条形图初步观察。【重要：特征工程的第一步】

（4）分析讨论：学生观察图表，发现周六、周日平均使用量显著高于周一至周五。教师引导思考：“这个结论对单车运营有什么启示？”（如周末增加热门区域调度，推出周末优惠卡等）【初步的数据解读】

3.任务三：在不同“时间尺子”下观察——数据重采样。【核心技能】

（1）设问激趣：教师提问：“刚才我们按星期几分组，看到了一周内的规律。如果管理者想了解每月的整体趋势，或者想对比每年的增长情况，又该如何处理原始数据呢？”

（2）概念引入与演示：教师引入“重采样（resample）”概念，将其比喻为“切换不同刻度的尺子去丈量时间”。演示如何将每日数据重采样为月度数据（df.resample('M').sum()），并绘制月度总使用量折线图。【重要：resample参数freq的设置，如'D'天，'W'周，'M'月，'Q'季，'Y'年】

（3）对比分析：将月度折线图与原始日度折线图进行对比，引导学生发现：月度图平滑了日度图的剧烈波动，呈现出更清晰的整体增长趋势和年度周期性。

（4）分层练习：

-【基础层】将数据重采样为每周总量，并绘制图表。

-【进阶层】分别用sum和mean聚合，思考对于分析“总需求”和“平均强度”分别该用哪种方式。

-【挑战层】如何重采样得到每个季度的总使用量，并对比不同季度的差异。【高频考点：灵活应用】

（三）协作学习，深化理解——透视时间序列的“骨架”

1.任务四：抚平波动，看清大势——移动平均线。【重要】【难点突破】

（1）问题呈现：教师展示原始日度数据折线图，指出其“毛刺”很多，趋势不易看清。提出需求：“有没有一种方法，能像‘熨斗’一样熨平这些短期偶然波动，让我们更清晰地看到数据的长期走势？”

（2）生活类比：教师以股票K线图中的5日均线、10日均线为例，解释移动平均的核心思想——用某一点附近一段时间的平均值来代替该点的值，从而消除随机扰动。【概念桥梁】

（3）代码实现与可视化：教师演示pandas中rolling方法的用法。计算7日移动平均（df['total_orders'].rolling(window=7).mean()），并将原始序列与7日移动平均线画在同一张图上进行对比。【重要：窗口大小(window)的选择对平滑效果的影响】

（4）小组探究任务：【核心协作环节】

-各小组分别计算不同窗口大小（如3日、7日、30日）的移动平均线。

-将多条移动平均线与原始序列绘制在一张图上，观察不同窗口的平滑程度与滞后效应。

-讨论：对于共享单车使用量数据，选择多大的窗口最合适？为什么？（引导学生结合业务场景：一周七天有自然周期，7日窗口能消除“周几效应”，看清周际趋势）

（5）成果展示与总结：请两个小组分享他们的观察与结论。教师总结：移动平均是时间序列分析中最重要的工具之一，它能帮助我们分离趋势项，是后续更复杂分析的基础。【高频考点：移动平均的计算、窗口选择与趋势识别】

2.任务五：解码年复一年的韵律——季节性与周期性探索。【难点】【核心素养】

（1）问题进阶：教师指着月度重采样图提问：“我们发现每年夏天都有一个高峰，冬天有一个低谷，这种每年重复的模式叫什么？如何量化它？”

（2）引入季节性概念：教师讲解“季节性”（Seasonality）是指数据在固定周期内（如一年、一周、一天）的规律性波动。对于单车数据，一年内的季节性可能由气候、假期驱动；一周内的季节性由社会活动规律驱动。

（3）分解思想初探（不引入复杂模型）：教师引导一种朴素但直观的季节性分解方法。

-第一步：计算整体趋势。可以用年度移动平均或年度总趋势线（如拟合线性增长）来表示。【重要：趋势识别】

-第二步：计算“季节因子”。例如，要计算1月份的季节性影响，可以将历年1月份的实际值除以对应年份的趋势值（或减去趋势值），然后求平均。这个平均值就代表了1月份相对于长期趋势的“季节偏移量”。【概念示意，不要求严格数学推导】

-教师演示简化版：计算每个月份历年的平均使用量，并减去整体月均水平，得到一个“月份影响因子”表。

（4）可视化呈现：将计算出的月份影响因子绘制成柱状图或热力图，直观展示各个月份的正负效应。

（5）小组讨论与应用：

-讨论：根据你们的“月份影响因子”，运营公司在3月（可能回暖）和7月（暑假）应该分别做哪些准备？

-拓展思考：除了月份，还有哪些日历因素可能产生季节性？（如“每月月初”发工资日、“黑色星期五”等，引导学生思考更复杂的日历事件）

（四）实践操作，应用迁移——用过去的数据“预见”未来

1.任务六：小小预测家——基于朴素季节法的未来一月预估。【拓展】【创新应用】

（1）情境设定：假设现在是2021年12月底，单车公司需要预估2022年1月的每日用车量，以便提前调配车辆。请同学们运用所学知识，尝试给出一个预估方案。

（2）头脑风暴：各小组讨论预测思路。教师引导可能的方案：

-方案A：直接用去年（2021年）1月的数据。（过于简单，未考虑增长趋势）

-方案B：考虑增长趋势+季节性。例如：先用2019-2021年数据拟合出一个线性增长趋势，再乘以（或加上）1月份的季节性影响因子。

-方案C：结合近期数据趋势。例如：基于2021年12月的数据趋势，再叠加1月的季节性影响。

（3）教师演示一个简化版的综合模型：

-第一步：用过去三年（2019-2021）的月度数据，拟合一条线性趋势线，计算出2022年1月对应的“趋势基准值”。【重要：趋势外推】

-第二步：从历史数据中计算出1月份的“季节指数”（例如，过去三年1月份实际值/当月趋势值的平均值）。

-第三步：将趋势基准值乘以季节指数，得到2022年1月的初步预估总量。

-第四步：如何将月总量分解到每日？可以参考过去几年1月份的日分布模式（如考虑星期几效应）进行分配。

（4）学生分组实践：各小组选择一个他们认为合理的预测方法（不局限于教师演示的方法），编写代码，给出对2022年1月每日使用量的预测，并绘制预测曲线与历史同期数据进行对比。

（5）成果展示与批判性思维：展示各组的预测结果。教师引导讨论：

-为什么不同小组的预测结果会有差异？哪个可能更靠谱？为什么？【重要：模型假设的讨论】

-预测永远存在不确定性，我们的预测结果应该如何使用？（如作为决策参考，需结合实际情况调整，设定置信区间等）【素养升华：信息社会责任的体现】

（五）展示交流，评价反思——让数据报告会说话

1.项目成果汇报：各小组根据完整的项目任务（数据清洗、特征提取、趋势分析、季节性探索、简单预测），制作3分钟以内的PPT或直接在JupyterNotebook中展示，汇报核心发现与给共享单车公司的运营建议。要求：

1.2.发现必须基于数据证据。

2.3.建议必须具体、可操作。

3.4.分析过程必须体现本节课所学的至少两种方法。

5.互动评价：采用“2+1”评价法，即每个小组汇报后，其他小组给出两个优点和一条改进建议。评价维度聚焦于：数据处理的规范性、分析方法的合理性、洞察发现的深刻性、建议的可行性、可视化的清晰度。

6.教师总结与升华：

1.7.技术总结：系统梳理本节课的核心知识与技能脉络——时间索引、特征提取、重采样、移动平均、季节性分解、简单预测。强调这些方法构成了一套分析日历数据的“组合拳”。【知识结构化】

2.8.思维升华：强调“时间”在数据分析中的特殊角色。它不仅是坐标轴，更是连接现象、揭示规律、蕴含原因的纽带。日历数据分析的精髓在于将时间维度上的变化，与社会、经济、自然等因素建立联系，从而获得超越数据本身的深刻洞见。

3.9.拓展视野：展示日历数据分析在其他领域的经典应用案例：如流行病学中的疫情传播曲线分析、经济学中的GDP季度调整、气象学中的气候模式研究、电商平台的大促日销售预测等。鼓励学生课后探索自己感兴趣的领域。

（六）拓展延伸，激发创新——留给未来的“数据种子”

1.开放性任务发布：【课后探究】

1.2.【必做】完善本组项目报告，提交一份完整的JupyterNotebook文件，包含所有代码、可视化结果和文字分析结论。

2.3.【选做一】挑战更高难度：尝试引入外部数据（如天气数据），分析天气因素与单车使用量的关系，并尝试构建包含天气特征和日历特征的简单多元预测模型。

3.4.【选做二】跨界创新：从“超市销售”、“景区客流”、“个人时间管理（如屏幕使用时间）”中选择一个主题，自行获取相关日历数据，运用本节课方法进行分析，发现一个有趣的现象，并尝试给出解释。

5.资源推荐：推荐学生查阅《利用Python进行数据分析》中关于时间序列的章节，以及浏览“和鲸社区”等平台上的优秀时间序列分析项目，拓宽技术视野和分析思路。

六、教学评价设计

本课采用过程性评价与终结性评价相结合的方式。

（一）过程性评价（占比60%）

1.课堂任务完成度：观察学生在每个探究任务中的参与度、操作正确率与思考深度，通过课堂提问、小组内互助情况、即时练习反馈进行记录。【评价点：基础技能掌握】

2.小组协作表现：评价学生在小组讨论中的贡献度、沟通能力、以及共同解决问题的效率。【评价点：协作素养】

3.阶段性成果质量：对各小组完成的图表、初步分析结论进行点评与记录。【评价点：分析思维】

（二）终结性