[发明专利]一种基于特征选择和参数优化的冰球赛况预测方法

说明书

一种基于特征选择和参数优化的冰球赛况预测方法，其特征是首先利用L1范数特征保留规则去除冰球数据集中稀疏分数较大且相关性较小的特征，实现特征选择；接着，针对基于支持向量机的冰球赛况预测模型中的惩罚因子C和核函数参数g其泛化能力影响较大以及参数难以调节的问题，采用混合GAPSO参数优化算法对支持向量机的惩罚因子C和核函数参数g进行优化；最后，采用支持向量机的K折交叉验证方法，实现冰球赛况的预测。本发明通过特征选择算法提升冰球比赛预测模型的运行速度与效率，并提升了冰球赛况预测的准确性。

技术领域

本发明属于大数据处理技术，尤其涉及一种冰球比赛结构预测技术，具体地说是一种基于特征选择和参数优化的冰球赛况预测方法。

背景技术

随着信息技术的发展，竞技体育比赛数据的数据维度和数据量呈指数级增长。在冰球运动中，进攻位同时也为防守位，相较于其他运动，更强调人员配合和分工协作。进攻位置的战术布局、攻防转换都对比赛有着至关重要的影响，因而周边数据的有效性、对比标本的数据量都对赛事预测有直接性的影响；准确的赛况预测更能使得团队规避风险、取长补短，对实战具有极大的帮助。同时基于大数据分析的技术和战术安排、培训训练、可以为选手、教练员提供数据支持，使其训练更为高效。在进行冰球赛事统计时，不仅需要考虑球员的出场位置、防守成功率、进攻得分率；还需考虑周边数据的有效性和足够的对比标本(包括球员流动、联盟交换以及不同组合搭配的影响)。因此，数据量相当庞大且数据维度高。

数据量级越大，预测结果越真实准确。但是，大量的数据也会导致比赛数据的样本呈现离散性、随机性和独立性，加深筛选有效特征的困难程度，增加处理时间。

以经验预测法、指数平滑法、灰色预测法为代表的传统预测算法是根据数据的直接特性分析数据，算法思路简单，具有局限性，通常适合小样本数据的预测。针对冰球赛事预测这一问题，影响其预测结果的随机因素复杂，且呈现非线性关系，传统预测方法难以满足其需要。

支持向量机(SVM)可以有效平衡学习结果的准确性，具有良好的泛化能力；为分类预测问题提供了很好的解决思路。同时由于支持向量机也基于统计学理论，可以解决线性可分问题和线性不可分问题；在处理非线性和高维数据的分类问题方面具有明显的优势。已有的支持向量机方法是将原低维、非线性问题映射到高维特征空间转化成一个二次寻优的问题,但其在解决多分类问题上也存在着处理方式单一的缺点。为了更为高效的利用其优点对冰球比赛进行准确预测，需要对算法进行结合，改进和提高。

发明内容

发明的目的是针对冰球赛况数据量相当庞大且数据维度高，计算复杂，以及基于支持向量机的预测模型的惩罚因子C和核函数参数g对其泛化能力影响较大、参数难以调节的问题，发明一种基于特征选择和参数优化的冰球赛况预测方法。

本发明的技术方案是：

一种基于特征选择和参数优化的冰球赛况预测方法，其特征是它包括如下步骤：

步骤1：对获取的待预测的冰球比赛数据进行数据标准化处理，即通过函数变换使数据映射到特定区间；

步骤2：对进行数据标准化处理的冰球比赛数据集再使用基于稀疏表达思想和用L1 范数最小化优化方法，获得冰球数据特征的稀疏表示重构系数，并将原始特征和重构特征的误差作为该特征的稀疏分数；

步骤3：计算待处理的冰球比赛数据集中拉普拉斯改进标准分类特征与每个特征变量的相关性；

步骤4：根据步骤2和步骤3计算得到冰球比赛关键特征的稀疏分数以及分类类别与特征的相关关系，分析特征的稀疏分数与该特征和类别的相关性之间的相互关系提出冗余特征，实现特征选择；