排球比赛的预测使用机器学习和边缘的情报

文摘

数据分析和机器学习是当前时代的骨干。人类社会已经进入了机器学习和数据科学增加数据的能力。广泛承认,信息数量的增加不仅成倍增长,而且人类信息管理和处理完成的方式改变从手工到电脑,主要取决于信息技术的转换包括计算机、网络和通信。本文旨在解决方法和手段的落后在中国排球技术的预测。通过实地考察,发现的方法分析和研究中国排球的技术和战术实践相对落后,这在一定程度上影响了中国排球的快速发展。因此,它是必要的和紧迫的任务实现的方法和手段的改革在中国排球技术和战术分析。数据分析和预测是基于机器学习和数据挖掘算法应用于排球在本文中是一个必然趋势。提出的模型应用于数据产生的边缘系统和彻底的分析。机器学习算法是利用的先验的算法来处理数据,并提供一个预测策略的排球比赛。机器学习的先验的算法也优化执行更好的数据分析。 The effectiveness of the proposed model is also highlighted.

1。介绍

现代奥运会的发展超过100年已经证明,提高竞技体育的性能依次经历了以下四个阶段。机器学习被广泛用于预测运动(1]:自然增长的时期,大量运动的时期,高强度增长的时期,科学发展的时期2]。还提供了详细的审查在这种情况下(3]。目前竞技体育在第四阶段时,其显著特征是科学和技术参与了竞技体育的整个过程从材料选择、培训、复苏和竞争。换句话说,科学和技术是竞技体育的翅膀4]。现在人类社会已经进入了时代的显著标志就是信息数量的增加不仅成倍增长,但信息管理和处理的方式主要依靠信息技术包括计算机、网络和通信。换句话说,信息采集、管理、处理和分析的决定因素是人类的决策和行为选择的正确性5]。

据报道,刘翔,中国田径运动员获得了金牌在雅典奥运会110米跨栏,有超过70个科学研究机构和体育公司在国内和国外。他们为他做了科学研究设计的跑鞋,营养供应,恢复和休息,战术分析,和其他方面。只有在预赛和决赛,有10多个国家体育总局研究所的科研人员,上海体育科学研究所,和央视的障碍和策略分析和比较运动员刘翔和艾伦·约翰逊在北京和雅典现代计算机信息手段,如视频采集,比较在同一屏幕上,流媒体的传输网络,等等。另外,这个员工提供反馈的信息及时刘翔,让他知道自己的敌人,充分利用优势,绕过劣势。刘翔打了他的竞争力水平在比赛中正常甚至超常,导致中国田径的历史突破6]。

数据挖掘技术和战术统计体育通过两种技术挖掘、数据挖掘和关联分析和可视化7]。排球技术、战术的使用分析模型(它)不仅适用于赛前准备和赛后总结,还要分析技术和战术数据在游戏中(8,9]。在数据挖掘领域,本研究尝试利用关联分析和可视化技术的初步挖掘信息背后的排球技术和战术数据。矿业的广度和深度挖掘内容而言,这远远不够,所以这些不足将是后续研究的方向和任务。先天的技术用于复发性元素集矿业(10]。这也是基于关联规则的学习在关系数据库管理系统(DBMS)。它是通过识别复发性不同的DBMS中的对象和扩张他们越来越大的对象集,直到一定重复在DBMS。

2。文献综述

统计机器学习方法和策略排球可以通过两种类型的机械,挖掘是数据挖掘和关联分析和可视化11]。排球的使用实践和策略调查模型是适合赛前准备和赛后总结(12]。它也可以用来分析技术和战术数据在比赛中。在数据挖掘领域,本研究尝试利用关联分析和可视化技术的初步挖掘信息背后的排球技术和战术数据(13]。矿业的广度和深度挖掘内容而言,这远远不够,所以这些不足将是后续研究的方向和任务。先天的技术用于复发性元素集矿业(14]。这也是基于关联规则的学习在关系数据库管理系统(DBMS)。它是通过识别复发性不同的DBMS中的对象和扩张他们越来越大的对象集,直到一定重复在DBMS。

多年来,国内外学者开展了排球技术、战术的实质性研究同时沿着不同的路径。历史的学者使用逻辑方法找到的时间和背景出现各式各样的排球技术,如变量方向运球出现在1908年,排球勾手投篮出现在1940年,等等(15]。学者们提出了一个新的的角度通过分析排球技术的运动学和动力学的基础上,采用生物力学;借助高速摄影设备,运动员的技术动作拍摄,电影或简化的三维运动学和动力学分析机械加工的运动技术来构建一个模型分析。利用运动学,经典力学、解剖学、甚至空气动力学知识和原则,学者们做了一些有用的讨论的姿态,瞄准点,球的旋转。例如,手臂和手指的方向应该是接近人体的中轴。

关联规则挖掘在很大程度上是与看不见的忧虑,激励,和关系数据库之间价值关系(RDMS),事务数据库,和大规模数据项(16]。这些巨大的和大规模的数据项以信息的形式储存,这是数据挖掘的重要研究内容之一。其中,先验的算法是最经典的关联规则提取算法。空心球投瞄准点应选择在网上而不是传统教科书主张远端近端,和球在空中旋转,这有利于高弧[17]。学者也提出了排球技术的研究从心理学的角度来看。例如,使用积极self-hints罚球可以帮助完成技术动作。在排球训练中,想象力训练方法、训练方法,模拟场景训练方法,竞争和自信训练方法是使用[18]。有几个建议,关注体育预测(19- - - - - -21]。

边缘计算进行改进的处理系统。边缘计算是计算机网络的观点基于的想法处理接近数据。它提高了处理。机器学习的先验的方法可以应用于边缘计算执行更快的处理。传统的数据分析也可以提高利用机器学习机制。先验的方法是一种广泛使用的方法进行数据分析。处理活动还可以提高如果数据计算使用边缘计算的概念。传统的先验的几个挑战包括瓶颈的挑战。因此,有必要对优化算法解决瓶颈问题的先验的算法,提高算法的效率。

3所示。提出的方法

本节描述该方法预测的排球比赛使用edge-enabled数据分析。该模型是基于机器学习的算法。经典的先验的机器学习算法是利用在这个研究。经典的先验的算法扩展和优化来克服传统方法所面临的挑战。先天的技术用于复发性元素集挖掘。这也是基于关联规则的学习在关系数据库管理系统(DBMS)。它是通过识别复发性不同的DBMS中的对象和扩张他们越来越大的对象集,直到一定重复在DBMS。提出了先验的扩展算法的详细描述如下所示。

3.1。扩展的先验的算法

关联规则挖掘主要关心的是隐藏的,有趣和有价值的法律之间关系数据库、事务数据库,信息存储和大规模的数据项,这是数据挖掘的重要研究内容之一。其中,先验的算法是最经典的关联规则提取算法,和其他相关算法是基于该算法改进或扩展。为了进一步研究关联规则挖掘的算法,首先介绍了经典的先验的算法。先验的算法使用迭代方法的分层技术探索,和k词集是用于查找(k+ 1)itemset。首先,频繁1项集李,和频繁的2项集l2是搜索,和l2是用于搜索l3,等等,直到频繁(k+ 1)无法找到itemset。其中,最大频繁项集k频繁项集,每个路需要扫描一次数据库。先天的本质:非空的频繁项目集的子集也是一个频繁项集。先天的本质是用来寻找频繁项集和两个步骤:连接和修剪。路−在连接部分我与路−吗我生成一个可能的候选项目集;修剪部分候选项集,很少利用先天属性子集被删除。

从上述算法的描述,不难发现,虽然先天算法减少了候选项目的数量,在“connection-pruning”迭代的执行仍不可避免的测试经常大量的候选集和多次扫描数据库。足够大的多次扫描数据库时的外部需求,效率很低。处理我/O操作大型数据已经成为提高效率的一个瓶颈。因此,为了提高先验的算法的效率,先天的缺陷算法将改进在下一章。一个矩阵提出了候选项目集和频繁项集。减少相应的操作的时间开销,根据相关矩阵压缩属性。

一组项目 :结果属性匹配关系数据库的R_k和属性值d;如果项目 表示为 ,然后 。 属于前的状态变化,属于国家,已经改变了。在这种情况下,支持程度上一口(R)、起重lift-measure数量(R),和信心之(R)的规则R如下:

规则的支持度是影响的范围,显示有用的规则。起重能力显示变化的程度,提高的程度更高的代表的价值的财产来 ;的R_k属性值是d在减少。自信是显示了变化的确定性。然后lift_measure的本质,关联规则,取消学位属于一个类相对低复杂度的措施。的公式计算之间的提升程度一个和B是

关联规则表达式的电梯,相关性度量公式基于提升量可以表示为

重要的是要注意,在形式,一个1代表设置的初始设置,一个2代表项集的集合一个1互斥锁,B表示结果的集合。我们减少的发生联系B。提出了扩展算法优化的有效利用,实现更好的结果。提高算法效率的瓶颈难题。

3.2。算法的优化

该算法优化解决瓶颈问题的先验的算法,提高算法的效率。这项研究可以提高效率的几个概念。首先,源数据库扫描,基于源事务数据库和事务矩阵D根据构造的定义。事务,事务时的项目集列矩阵构造。为了促进一个矩阵的压缩,sum_的列c添加到矩阵来记录项目包含每个公司的数量。和sum_一行r添加到矩阵来记录每一项数的支持。根据定义,最小支持事务min_supsh数量计算和矩阵进行比较。如果一个元素的值小于min_supsh,列对应于元素被删除,我们得到频繁项集。的sum_c列是重新计算;如果一个元素的值是0,元素的行被删除。因此,矩阵D1是生产。当压缩矩阵D1,K频繁项集(k≥2)。根据属性1,列对应的项Ij频繁(k−1)itemset不到k被删除。的sum_c列再次重新计算,然后根据属性2,如果一个元素的值小于k相对应的元素,元素被删除。重新计算的sum_r行;如果一个元素的值小于min_supsh,列对应于元素被删除。矩阵压缩多次,直到不能再压实。压缩后的矩阵Dk。

建立了一个辅助二维数组,用于记录的频率和相应的组合下标混合,所以你可以更容易地发现频繁项集k- (k≥2)。根据定义,我们收集了Dk对应矩阵的列向量K空间组合,每个组合矢量和位操作K列和“1号”和获取K维度的支持数。如果数量的支持K尺寸不小于min_supsh,那么一对组合是一个频繁项集kitemset。结果存储在一个二维数组,前面的下标对应的项目,最后一列是项集支持的事务数。根据性质,如果频繁的数量k项集小于k+ 1,搜索频繁项集被终止。否则,重复上面的电话,直到生成频繁项集是空的。这个过程改善的效率提出了延长先验的算法。

4所示。结果和讨论

本节描述了仿真的结果。结果生成使用该扩展和优化的机器学习算法。数据是通过使用边缘计算的概念。正如上面提到的,虽然排球是一个集体的事件,一个或两个球员,尤其是核心球员或角色球员,不是决定性的球员,但并不是所有球员,因为排球比赛的输赢双方得分的游戏,和击球的前提是正确的球。在游戏中,有五名球员一侧,和只有一个排球,所以每个玩家的机会不平衡球的权利。排球是由核心控制和处理玩家在大部分时间和关键时刻,和团队的战术也设计和运行的核心玩家和角色球员。所以一个团队的核心,角色球员,以及限制团队的核心和角色球员,是赢得比赛的关键。只要分析球队的核心球员和主要参与者几乎等于一个团队的分析,战略地图的核心球员的主要球员如图1。

高水平排球运动员,他们的技术和战术模式是在动态模式,和攻击和防御的特点是相对固定的。例如,球的攻击方式的选择和地区,防守的位置,和策略的选择有一定的规则,它提供的可能性的分析策略和战术。如图2这张照片显示的灰色部分,刘伟的罚球得分的前19轮2005 - 2006赛季CBA联赛的比例占他的总分。

步点的稳定性影响运行的速度和程度的起飞。摘要起飞6步骤之间的差异分析了刘伟(23号运行的步骤)为例。一步的位置数据如表所示1。表中数据单位是米。从表可以看出16的重复性训练运动员的步骤是穷人,和踏板的准确性较低。

Oksa是上海的核心攻击和防御阻止净得分。因此,使用好oksa已经成为成功的关键东上海的发展。这是oksa为研究对象,使用时有效的关联规则的数据挖掘技术和战术的竞争力。数据的来源如下:视频数据在2005∼2006赛季CBA联赛oksa 19轮前的竞争得到通过设置游戏时间查询和提取多媒体数据库的排球技术、战术。我们三分的总分计算,得分3分,达到数量,三支安打和两个点,2号和两个罚球,命中率、罚球,罚球命中率,后场号码,前面回球号码,号码,后场抢断,涵盖数字,错误数量,数量的犯规助攻,编号,数量,技术和战术的有效的防守战术数量指标在6分钟,7分钟,8分钟,9分钟,10分钟,11分钟,12分钟。

我们只研究总分和两个分两次罚球的命中率罚球命中率。此外,进攻后场号码,断球后盖,犯规,失败帮助,有效的防守战术也考虑在内。技术和战术指标的数量也是重点。根据球员的战术竞争能力效率公式,部门之间相应的值加权,本赛季一直是游戏和得到一个系数。值的设置如下:玩家的连续播放时间(分钟每分钟,TID价值PToxa1, PToxa2, PToxa3, PToxa4, PToxa5, PToxa6,和PU)是(7- - - - - -12]。技术和战术的价值竞争效率(TID PRoxa)是[0-infinity] (TID PRoxa1,公关,oxa2 PEoxa3)。分析质量的攻击和防御,排球技术、战术的分析模式在本研究中可以通过以下两个方面:分析比较的可视化技术和战术游戏双方统计和质量曲线的时间双方的攻击和防御游戏。cba2005 - 2006赛季上海东方、浙江万马游戏(2006年1月4日,义乌)是一个例子,讨论比赛策略分析的主要内容和方法。

比赛的技术统计数据之间的上海东方、浙江万马图所示3。如图387年,尽管上海团队最终失败:94年,他们的数量偏低罚球(18:33),后场*(40:49),阻止乘以(2:6),犯规(30日:19)。但在《纽约时报》的错误(8:14),快速攻击的数量(4:0),和其他指标,上海在上东区。好的方面,比如快速攻击,应该继续发扬,如过多的犯规(11倍)。它应该仔细分析球员的防守意识是否到位。

在袭击中,如图4浙江气旋在第一季度有10倍的使用1战术小组(让吴Naiqun和Samaki站两边的腰,把里面的球线,他们完成攻击或助攻。发挥内部线对外援助的身高优势,Samaki,和技术经验的吴Naiqun,前者净强大的攻击,后者后续)。他们的成功。没有开始的开始12:5铅和上海在本小节的末尾16:25。上海东叫暂停,改变攻击和防御的策略在上海的东部。外国援助Oksana避免对手优势,攻击距离投篮,防守方面。Samaki球了王Ligang然后包装也相应地导致浙江气旋外围防御弱化。所以效果不明显。上海东分别受到Samaki的帽子在第二和第五分钟,两次失误在第七和第十分钟。因此,有几种曲线上的拐点。

图中提供的攻击比较的质量5。如图5,第三季度初浙江万马bianzhao让Samaki休息,由一个小外援球张Weigang m . Rudge负责。刘伟已经犯了3个错误,因为他的快速Rudge策略和它的影响。中心张Weigang虽然更大的力量,但是速度很慢,所以穷人进攻和防御浙江旋风是一个劣势。上海东到第三节21:11领先,防守质量图是上海东趋势线相比,浙江气旋。

5。结论

本文提出计划的想法将现代数据管理和数据挖掘应用于排球技术、战术多媒体数据分析。本文进一步强调了多媒体数据库的概念设计和开发的排球技术和策略,提出了排球技术的多媒体数据分析方法基于现代信息技术和战术。提出的模型应用于数据产生的边缘系统和彻底的分析。利用机器学习算法来处理数据,并提供一个预测策略的排球比赛。经典的先验的机器学习算法是利用在这个研究。经典的先验的算法扩展和优化来克服传统方法所面临的挑战。本文主要是针对解决方法和手段的落后在中国排球技术、战术分析。这种方式可以提供情报支持教练和球员来增强其核心竞争力。提出优化的先验的算法实现和有效性也突出显示。

数据可用性

使用的数据来支持本研究的结果都包含在这篇文章。

的利益冲突

作者宣称没有利益冲突。

引用

1. h·李”,分析体育比赛的建设使用神经网络预测模型,”软计算,24卷,第8353 - 8343页,2020年。视图:出版商的网站|谷歌学术搜索
2. f . Wunderlich和d . Memmert预测体育赛事的结果:一个评论,”欧洲的体育科学》杂志上》12卷,页1 - 14,2020。视图:出版商的网站|谷歌学术搜索
3. b·p·凯利c . Klochko s Halabi和d . Siegal”Datafish多相数据挖掘技术来匹配多个大型pac数据库相互包容的独立变量,“数码影像杂志卷,29号3、331 - 336年,2015页。视图:出版商的网站|谷歌学术搜索
4. p .柳条和b Christoph”,使用数据挖掘分析问题techniques-findings从体育俱乐部在德国,”欧洲体育与社会》杂志上,7卷,不。2、131 - 140年,2010页。视图:出版商的网站|谷歌学术搜索
5. c·索托瓦莱罗能源”预测比赛结果在大联盟常规赛游戏使用数据挖掘的方法,比较研究”国际计算机科学杂志》上的运动,15卷,不。2、2016。视图:出版商的网站|谷歌学术搜索
6. f . x Yu江、j . Du和d·龚“跨域协同过滤算法与扩大用户和项目特性通过辅助的潜在因素空间域,“模式识别卷,94年,第109 - 96页,2019年。视图:出版商的网站|谷歌学术搜索
7. d·杨”,应用数据挖掘技术在羽毛球战术教学主题,“国际期刊的新兴技术的学习,13卷,不。7日,2018年。视图:出版商的网站|谷歌学术搜索
8. g·拉伊奥拉g . Altavilla c . De Luca Di和p .阿尔弗雷多扯,“分析服务的某些方面在排球,”运动科学,9卷,不。1,第77 - 74页,2016。视图:谷歌学术搜索
9. m·席尔瓦r . Marcelino d·拉赛尔达,p .韦森特若昂”在排球比赛分析:系统回顾”,黑山体育科学和医学杂志》上,5卷,不。1,35-46,2016页。视图:谷歌学术搜索
10. l . Tianbiao和h . Andreas Apriori-based诊断分析,通过足球比赛,”IEEE国际会议的进行大数据分析(ICBDA)IEEE,页1 - 4,杭州,中国,2016年3月。视图:谷歌学术搜索
11. s Wenninger d链接,m·詹姆斯那里”性能的机器学习模型应用沙滩排球数据,”国际计算机科学杂志》上的运动,19卷,不。1,24-36,2020页。视图:出版商的网站|谷歌学术搜索
12. j . v . Haaren h . b . Shitrit j·戴维斯和f·帕斯卡,“分析排球比赛数据使用机器学习技术,从2014年世界锦标赛”22 ACM SIGKDD学报》国际会议上知识发现和数据挖掘,页627 - 634年,旧金山,美国,2016年8月。视图:谷歌学术搜索
13. f·a·萨利姆·b·w·Postma r . Van Delden et al .,“排球动作行为分析模型和交互式综合反馈,”进行夏季第15届国际研讨会上多通道接口2019年7月,安卡拉,土耳其,。视图:谷歌学术搜索
14. s . Wenninger d链接,m·詹姆斯那里“数据挖掘在精英海滩volleyball-detecting战术模式使用购物篮分析,“国际计算机科学杂志》上的运动,18卷,不。2 - 2019页。视图:出版商的网站|谷歌学术搜索
15. j . x Yu Yang, z .谢”训练支持向量机基于费舍尔的一组绑定向量投影,”计算机科学的前沿,8卷,不。5,793 - 806年,2014页。视图:出版商的网站|谷歌学术搜索
16. 徐瑞秋李,“设备先天technical-tactics分析算法的排球,”国际会议上进行虚拟现实和智能系统(ICVRIS)IEEE,页164 - 167年,长沙,中国,2018年8月。视图:谷歌学术搜索
17. 李,k金、j·金和g . Heo”发展乏燃料取证的数据挖掘方法,”放射分析和核化学杂志》上,卷312,不。3、495 - 505年,2017页。视图:出版商的网站|谷歌学术搜索
18. 江x, y, f,郭y,和d锣,“基于支持向量机分类的双面跨域协同过滤通过推断内在用户和项目特点,“以知识为基础的系统卷,141年,第91 - 80页,2018年。视图:出版商的网站|谷歌学术搜索
19. z Haiyun和x Yizhe运动性能预测模型基于集成学习算法和云计算平台hadoop,”微处理器和微系统公司文章ID 103322卷,79年,2020年。视图:出版商的网站|谷歌学术搜索
20. 李y l . Wang和f·李,“数据驱动的预测方法对运动队的性能及其应用国家篮球协会,”ω文章ID 102123卷,98年,2019年。视图:出版商的网站|谷歌学术搜索
21. a . Dubbs“Statistics-free体育预测”,模型辅助数据和应用程序,13卷,不。2、173 - 181年,2018页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021羌族刘,刘Qiannan。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。