案例驱动的“时序数据分析与挖掘”课程教学改革.pdf

第 10 期2023 年 10 月 10 日计 算 机 教 育Computer Education中图分类号：G64292案例驱动的“时序数据分析与挖掘”课程教学改革夏佳楠，王 晶（北京交通大学 计算机与信息技术学院，北京 100044）摘 要：针对人工智能交叉学科背景下的复合型人才培训需求和目标，提出结合不同专业学生的研究领域和方向，采用案例教学模式与递进式设计理念结合的教学方法，介绍时间序列分析挖掘课程的实验设计和内容、教学方案和评价、课程反馈等，通过实施过程介绍说明教学改革取得了较好的成效。关键词：案例教学；时间序列分析；递进式实验；研究生课程；时序数据分析与挖掘文章编号：1672-5913(2023)10-0092-04基金项目：北京交通大学教学改革建设项目“时间序列数据分析挖掘 课程建设”（134985522）。第一作者简介：夏佳楠，女，讲师，研究方向为时间序列分析，。0引 言时间序列数据分析挖掘作为人工智能领域的重要课程之一，是一个典型的交叉研究领域，涉及统计学、机器学习、信息论、物理学、信号分析等不同领域的理论和方法，又涉及经济金融、交通、医疗健康、工程系统等应用领域的专有知识，因此，在教学过程中如何提高教学效率、激发不同专业学生的积极性、培养学生的实践动手能力就成为教学重点，也是当前教学过程中亟须解决的问题。案例教学是以学生为中心，以案例为基础，通过呈现案例情境，将理论与实践紧密结合，引导学生发现问题、分析问题、解决问题，从而掌握理论、形成观点、提高能力的一种教学方式。教育部关于加强专业学位研究生案例教学和联合培养基地建设的意见（教研 20151 号）文 件1中明确支持各专业学位研究生教育指导委员会推动案例库建设与师资培训，并要求培养单位加强案例教学、模拟训练等教学方法的运用。1课程目前存在的挑战目前，时间序列数据分析挖掘课程的教学与实践面临着诸多挑战2，面向学生科研与就业的需求，一方面须升级课程内容，紧跟国内外研究前沿；另一方面须增加实验环节，实现“知”与“行”合一。以往课程重点放在基础理论及方法的介绍，忽略了学生的实践能力，因此，本课程改革应重点关注如何设计学生实践环节，提升学生对实际数据的分析处理能力，同时在实践过程中不断深入对相关理论知识的理解，实现知行合一、相互促进。与此同时，用案例的形式讲授可以缩小理论教学与实践教学的差距，更有助于学生理解问题、明确需求。须扩展课程涉及的领域知识，激发多专业学生学习兴趣。该课程的授课对象已不仅是计算机学院学生，而是理工科及经管类研究生。通过实际应用需求牵引，可以激发学生的兴趣和热情。实际应用问题很复杂，在教学过程中应针对不同学科领域的时序数据特点，设置多学科领域的案例教学与实践环节，可以提升学生解决实际问题的综合能力。2基于递进式教学案例设计的教学创新2.1实验设计思路时间序列分析方法多种多样，为促使学生深教改纵横第 10 期93入理解传统时间序列分析算法以及深度学习算法模型，从简单易懂的传统方法原理介绍开始，依次学习机器学习的特征工程和数据生成方法，然后学习基于大数据自动学习特征的深度学习模型，使得不同基础的学生都可以逐步了解时间序列分析方法的发展历程和基本原理。在此基础上，结合智慧交通领域的具体问题，围绕城市公共交通核心数据分析需求，设计与理论知识对应的实验任务，实现递进式智能分析案例，实验方案总体设计见表 1。表 1 实验方案总体设计案例实验任务实验目的实验要求课时/周（1）基于传统时间序列分析方法的预测实验（1）掌握数据清洗及预处理方法（2）掌握传统和新型模型的核心算法，并实现模型比较（3）培养解决现实场景数据问题的能力（4）培养搜索文献与总结汇报的能力（5）培养跨专业小组协作能力2（2）基于传统机器学习算法的预测实验2（3）基于深度学习算法的预测实验3（4）预测算法模型优化与改进实验1 注：实验报告；实验代码；实验对比；展示 PPT；模型性能改进。2.2形成与课程内容和课程实验配套的课程资源在教学资源建设方面，综合时间序列数据分析与挖掘的经典理论、前沿技术和经典教 材3-4，课程组整理并制作了相关课程资料，在此过程中充分结合北京交通大学（以下简称我校）智慧交通学科优势，建设了具有我校特色的“时间序列数据分析挖掘”课程内容体系，完成8 个章节 30 余个知识单元资源的筹备，形成包括教案、课件、讲义、习题及其答案等内容的课程资源库。在实验资源建设方面，建设面向轨道交通、公交、航空等城市公共交通领域的时序预测与异常检测两大类实验项目，构建分层次的6 个实验内容、实验数据及相关资源，匹配计算机、交通运输、电气工程、机械与电子控制、数学统计等不同专业学生需求。2.3教学方法为了保障本课程内容和实验的顺利实施，采用“课内课外持续学习模式”的教学策略：课堂内，实施“follow me”式实验教学模式；课堂外，教师与助教团队跟踪式指导。有效提高学生的课堂投入程度和课外执行效率。教学过程中采用了 BOOPPS 教学模式，从案例背景切入引发学生思考传统时序分析或深度学习的应用落脚点，随后通过前测评估学生对理论知识的了解程度，然后详细介绍各章节的核心知识，并通过后测练习评估其掌握程度，最后结合案例实践强化其对理论的掌握以及解决问题的能力。由于选课学生来自不同专业，专业背景、技术水平等各不相同。通过收集不同学科时间序列数据分析的实际问题和场景构建资源库，并设计跨专业团队合作方式，使每位学生听得懂、学得会、提升团队协作能力。2.4建立多元化课程考核与教学反馈由于该课程同时面向计算机专业和其他专业的学生，实验内容的分级制可以满足具有不同计算机基础的学生挑战。然后，采用随堂提问、实验操作考核、课程实验报告、前沿文献汇报与复现等多元形式把握各专业学生的学习程度，让学生形成“学练展”（StudyPracticePresentation）的学习模式，在课前课中课后不同环节都对课程设置的案例/实验有清晰的认知，如图 1 所示。3教学案例实施与成效3.1基于传统时间序列分析方法的预测实验设计传统时间序列预测模型，通常指用于时间序列分析/预测的统计学模型，常用的有自回归模型（AR）、滑动平均模型（MA）、自回归滑动平均模型（ARMA）、整合移动平均自回归模202394计 算 机 教 育Computer Education型（ARIMA）、季节性差分自回归滑动平均模型（SARIMA）等。基于传统时间序列分析方法，通过对不同领域的具体研究场景搭建，让学生尝试应用所搭建的模型解决具体问题，进一步评估传统时序预测模型的性能表现，同时分析讨论模型的性能和可解释性。基于传统时间序列分析方法的预测实验内容见表 2。图 1 课前课中课后各环节设置表 2 基于传统时间序列分析方法的预测实验（总分 30 分）实验编号实验题目实验内容课时1实验环境配置（4 分）完成 Anaconda、PyTorch、Jupyter Notebook 的安装，并进行实验环境的配置（4 分）0.52ARMA 实验（6 分）下载discover数据集，读取数据、进行数据预处理与可视化，并进行数据平稳性检验（2分）根据数据特性进行模型识别与定阶，构建相对应的 AR、MA 或 ARMA 模型，预测之后至少 10 个步长的数据值（4 分）1.53ARIMA 实验（10 分）对 stock_train 或 bus_train 数据集可视化并进行平稳性检验与差分处理（2 分）通过对自相关图和偏自相关图的分析进行模型定阶，构建 ARIMA 模型（3 分）基于构建的 ARIMA 模型进行预测，并对比不同参数实验结果（3 分）使用其他不同模型进行预测，对比不同模型实验结果，分析各个模型的优缺点（2 分）24SARIMA 实验（10 分）对给定 CO2排放量和强生每股季度利润数据集进行预处理、差分平稳性检验、非白噪声检验（2 分）通过图解法定阶和网格搜索法定阶两种方法确定合理阶数，建立 SARIMA 模型（3 分）使用不同参数，选出 3 个较好的模型进行误差分析，预测未来（3 分）对比 ARIMA 模型，分析模型差异（2 分）23.2基于深度学习算法的预测实验设计作为当前机器学习研究领域最为热门的研究方向之一，神经网络模型尤其是深度神经网络模型在诸多不同的研究领域中都有着广泛的应用，深度神经网络能够学习复杂的数据表示，从而减轻了对手动特征工程和模型设计的需求。鉴于各个领域时间序列问题的多样性，在时间序列问题上出现了许多神经网络设计选择，学术界已经有很多深度学习模型来适应不同领域的时间序列数据集的多样性。基于深度学习算法的预测实验旨在对于智慧交通研究领域的具体研究场景搭建合适的深度神经网络模型，并评估其在交通研究领域中气象数据集上的性能表现，进一步分析讨论模型的性能和存在的问题，该实验内容见表 3。表 3 基于深度学习算法的预测实验（总分 20 分，最高加分 5 分）实验编号实验题目实验内容加分课时1模拟数据生成（2 分）生成多种模式叠加的时序数据，并划分训练集测试集，设置数据feature 和 label，处理成适合模型输入数据（2 分）12卷积神经网络（9 分）针对模拟数据，构建一维卷积神经网络训练模型（分别使用平均池化和最大池化），记录训练过程中的损失，并绘制 loss 曲线图（4 分）用训练好的 CNN 进行预测，并与真实值进行对比（1 分）针对气温数据，构建 CNN 模型进行训练，并绘制 loss 曲线图；用训练好的 CNN 进行预测，与真实值进行对比，并绘图表示（4 分）设计一个结果优于实验内容中的模型进行对比实验，分析网络参数与网络性能的变化关系（2分）23循环神经网络（9 分）针对模拟数据，构建循环神经网络模型进行训练，记录训练过程中的损失，并绘制 loss 曲线图（2 分）用训练好的 RNN 分别在局部数据和全局数据进行预测，并与真实值进行对比（2 分）与 CNN 模型进行对比实验（1 分）针对气温数据，构建 LSTM 模型进行训练，并绘制 loss 曲线图；用训练好的 LSTM 进行预测，并与真实值进行对比（2 分）针对气温数据，使用不同预测长度进行对比实验，对实验结果进行对比分析（2 分）用训练好的 LSTM 在生成的模拟数据上进行预测，并与真实值进行对比（1 分）针对气温数据，设计一个优于实验内容中的模型进行对比实验，分析影响模型性能的因素（2 分）2教改纵横第 10 期953.3案例实施过程递进式案例的设计思路主要体现在实验内有明确的步骤流程，实验间有明确的难度提升。表2 和表 3 展示了两个案例的内容细节，案例讲解围绕每一步内容及其要求、标准和分值的对应关系展开，同时这也是考核学生复现与改进任务的标准。（1）每个案例实施课前，通过课程平台发布预习课件、实验数据等资料，重点关注学生预习状态。（2）案例实施课中，围绕案例内容大纲进展展开介绍，重点突出师生互动和生生互动，体现教学过程中的过程性和综合性。（3）案例实施课后，由学生提问助教反馈的方式在课程微信群进行实时交流，巩固课堂知识的同时，引导学生进行拓展学习。整个案例实施过程不是一成不变，会及时根据学生的课堂实时反馈进行动态调整。既达到和教学设计相对应的要求，又能满足以学生为中心的理念。3.4递进式案例教学模式的实施成效时间序列数据分析挖掘课程组于 2021 年 1 月正式成立，由 3 位教师形成了一个中青年骨干团队。课程组于 2021 春季学期开设了 23 个课堂，选课学生分别来自计算机学院、运输学院、机电学院、电气学院、理学院、经管学院和土建学院7 个学院，选课人数为 170200 人/学期，课程建设、规模、影响力、教学均取得了阶段性成果。为了精准评估学生知识掌握情况，课程组设置了课前/课后问卷调查，随访学生对课程知识的掌握程度及建议。发现在上课前，只有不到15%的学生有过一点编程序基础，了解过时间序列分析，但仍不清楚分析方法原理和前沿模型。学习完课程后，大约 60%70%的学生已掌握模型的理论知识、算法和实践技能，仍有约 5%的学生认为该课程内容难度较大。此外，72.4%的学生对课程内容设置很满意，19.5%的学生自评任务达成度为满分 10 分。最后，经过统计发现，学生自评的算法掌握情况与每次实验成绩、期末考核成绩之间显著相关。此外，部分学生反馈的建议主要集中在课后实践作业量偏多且难度偏大，希望实验环节增加演示、互动、反馈等。课程组于 2023 年 3 月专门针对这些反馈意见召开了教学研讨会开展讨论，为后续的课程优化提供了思路和方向。4结 语高校“时间序列分析挖掘”课程建设与探索是新时代产学研融合背景下人工智能系列课程发展的重要内容。课程建设中结合传统分析方法和前沿深度模型，形成递进式的、以智慧交通为核心的教学案例设计，可以让学生深入理解人工智能内涵，了解机器学习、深度学习等前沿技术，发挥我校智慧交通特色。通过学练展的学习模式，学生快速提升硕士科研实践能力，培养了创新性思考能力，充分激发了从被动学习到主动学习的转变。此外，通过多元的教学手段和教学反馈方式，形成了一套与时俱进的课程建设方案，能够让教师精准把握学生的学情和问题，可以为下一步课程优化提供思路和方向，实现与时俱进、与生共进的目标。参考文献：1 中华人民共和国教育部.教育部关于加强专业学位研究生案例教学和联合培养基地建设的意见EB/OL.(2015-05-07)2018-08-04.http:/ 习丽.大数据背景下时间序列分析课程的教学改革探索J.高教学刊,2022,8(13):14-17.3 赵华.时间序列数据分析:R软件应用M.北京:清华大学出版社,2016.4 Aileen N.Practical time series analysisM.南京:东南大学出版社,2020.（编辑：赵 原）