SVM在田径100米比赛成绩预测的初步研究

杜大群

（衢州职业技术学院公共体育部 浙江·衢州 324000）

中图分类号：G822 文献标识：A 文章编号：1009-9328（2014）09-000-01

摘 要 本文通过对历届夏季奥运会短跑冠军的短跑成绩进行研究，以期达到对今后的短跑成绩进行预测，对运动员的科学训练起到指导性作用。运用支持向量机（SVM）对运动员计时性项目成绩进行分析，用每四次建立模型预测下次。研究表明利用该方法对短跑项目的成绩预测是有效的，因此，此研究方法亦可为今后预测全国乃至世界短跑项目比赛的成绩与名次提供新思路、新方法。

关键词 Support Vector Machine 短跑比赛 成绩预测

一、研究对象及方法

（一）研究对象

以l896—2012年历届奥运会田径比赛男子100米冠军成绩作为研究对象。

（二）研究方法

1.文献资料法。通过校图书馆和电子专业期刊网广泛查阅和搜集相关田径项目发展及SVM相关文献资料，并进行分析整理，为本研究提供坚实的理论基础。

2.支持向量机方法。支持向量机（SVM）是一种新型的分类和函数估计工具，源于统计学习理论的基础之上，近年来它在模式识别、回归和金融时间序列等方面均取得了成功应用。通过查阅相关资料获取比赛数据，利用支持向量机（SVM）对其数据进行分析、预测[4-5]。

二、研究结果及分析

SVM的关键在于核函数。低维空间向量集通常难于划分，解决的方法是将它们映射到高维空间。但这个办法带来的困难就是计算复杂度的增加，而核函数正好巧妙地解决了这个问题。这样，在高维空间中实际上只需进行内积运算，而这种内积运算是可以用原空间的函数来实现的，我们甚至没有必要知道变换的形式。根据泛函的有关理论，只要一种核函数K（xj，x）满足Mercer条件，它就对应某一空间中的内积[3]。此时分类函数变为：

（一）研究结果

一个非线性模型通常需要足够的模型数据，与非线性SVC方法相同，一个非线性映射可将数据映射到高维的特征空间中，在其中就可以进行线性回归[6]。运用核函数可以避免模式升维可能产生的"维数灾难"，即通过运用一个非敏感性损耗函数，非线性SVR的解即可通过下面方程求出：

其约束条件为：

由此可得拉格朗日待定系数和，回归函数f（X）则为：

通过非线性变换，把输入数据映射到高维特征空间，然后在高维特征空间中求解回归问题。

根据奥运会多年来的发展、经历的战争和重大的政治事件和田径运动的特点划分为六个阶段：1896年到第一次世界大战时期；一战时期；两次世界大战之间时期；二战时期；二战后至1968年时期；l972年至今。由于中间种种原因中间有几界奥运会未能顺利举办，为方便期间的划分与计算更合理，以下用奥运会的次数而不用届数来表示。

通过SVM进行数据规格化，并且用前4次预测第五次为格式进行建表分析。

将前22次作为训练集，将最后一次作为测试集，特别说明第22次为2008年北京奥运会的男子100米冠军成绩。第23次作为预测2012年奥运会男子100米冠军成绩。

通过实验寻找最优核函数。

（二）预测结果：

使用最小核函数进行建模，预测2012年奥运会的男子100米成绩是9.47秒，，由于一定的原因，在伦敦奥运会百米比赛的冠军成绩未达到9.47秒，但接近于预测成绩。所以一项新的世界记录在下一届奥运会上有可能诞生。

三、结论与分析

由于体育比赛的成绩易受多种因素的影响，所以预测结果会有误差，但是总体来说，由第22次实验数据可以看出此方法误差较小，因此具有可行性，可以提供参考性意见，具有指导意义。通过支持向量机（SVM）不仅可以用较小的信息预测体育比赛的成绩，而且还考虑了随机因素对系统状态的转换规律的影响，并且能够充分挖掘历史数据提供的信息，对今后的比赛数据发展趋势进行预测。其实，不仅仅是在体育比赛的短跑方面，在其他体育领域内的比赛仍然可以预测，因此对体育运动的发展起到指导性的意义。

参考文献：

[1] Domine D.， Devillers J.， Chastrette M.， Karcher W.. Non-linear mapping for structure-activity and structure-property modeling[J]. Journal of Chemomatrics.1993.7：227-242.

[2] Wang Ziyi， Jenq-Hwang， Kowalski Bruce R.， ChemNets： Theory and Application[J]. Analytical Chemistry.1995.67（9）：1497-1504.

[3] Ruffini R. et al.， Using neural network for springback minimization in a channel forming process， SAE Trans. J. Mater[J]. Manufacture.1998.107.65.

[4] Can L J，'Fay Francis E H.Support vector machine with adaptive parameters in financial time series forecasting[J].IEEE Transactions on Neural Networks.2003.14（6）：1506-1518.

[5] Vapnik V N.Statistical learning theory[M].New York：Wiley.1998.