[发明专利]赛事关键信息挖掘及预测方法

说明书

本发明公开了一种赛事关键信息挖掘及预测方法，其包括：构建模型基础；预测模型训练，其包括：调用某一运动员的过往赛事数据作为历史样本，随机采样，二分割历史样本，得到测试样本和训练样本；基于测试样本和训练样本，训练和测试预设的预测模型算法，并输出、存储；赛事关键点挖掘，其包括：获取当前赛事的视频数据，对上场运动员做人脸识别，得到在场运动员身份信息；根据在场运动员身份信息，调用匹配的预测模型；获取当前赛事的赛事数据，并做特征变量提取，导入匹配的预测模型分析，得到预测结果，输出用作关键提示。本申请具有减小相关人员从事体育赛事播报和讲解的工作压力和难度。

技术领域

本申请涉及运动大数据技术领域，尤其是涉及一种赛事关键信息挖掘及预测方法。

背景技术

在信息技术快速发展的今天，数据信息是重要资源，由大数据衍生开来的技术革命正逐年影响各行各业。

以体育大数据为例：传统的，对于运动员的训练，依赖于各个教练的自身素质；多为：教练观测运动员的训练表现，结合其过往经验，制定训练任务，以使运动员在赛前达到最佳状态。

而当前，随着在体育运动中引入大数据概念，已经出现借助智能穿戴设备，实时、长期监测运动员的各项生理参数变化，结合历次训练记录智能分析，引导教练调整训练任务的强度和量的大数据系统，以实现更科学、精准、有效的训练。

基于上述，发明人认为：当前对于体育赛事的实时播报、讲解，类同于上述的教练制定训练任务，过于依赖相关人员的工作经验和职业素养，导致从业人员的工作压力、难度较大，因此本申请提出一种新的技术方案。

发明内容

为了减小体育赛事播报和讲解的工作难度，本申请提供一种赛事关键信息挖掘及预测方法。

本申请提供一种赛事关键信息挖掘及预测方法，采用如下的技术方案：

一种赛事关键信息挖掘及预测方法，包括：

Q1、构建模型基础，其包括：

获取多场赛事信息作为样本数据；

基于预录入的赛事得分规则、得分因素解析样本数据，并定义预测分析所需特征变量；

对解析后的样本数据做特征提取，并基于时序逻辑，建立特征变量组合和得分结果的映射关系；

基于映射关系和预录入的特征组合范例，定义特征变量组合规则；

Q2、预测模型训练，其包括：

采集，并调用任一运动员的过往赛事数据作为历史样本；

对历史样本进行特征提取，产生运动员个人规范数据；

随机采样，二分割历史样本，得到测试样本和训练样本；

基于测试样本和训练样本，训练和测试预设的预测模型算法，并输出，根据运动员的身份进行存储；

Q3、赛事关键点挖掘，其包括：

获取当前赛事的视频数据，对上场运动员做人脸识别，得到在场运动员的身份信息；

根据身份信息，调用匹配的预测模型；

获取当前赛事的赛事数据，并做特征变量提取，导入匹配的预测模型分析，得到预测结果，输出用作关键提示。

可选的，

定义一次得分所对应的前序特征变量、特征变量组合为一组数据；

对同一运动员的各组数据做统计，得到相同的特征值、特征变量组合出现的次数占比d，并基于次数占比d定义特征变量的权重值；

对各个特征变量的标准差/相似度分别计算计算；