基于BP神经网络的体育赛事风险预警模型

梁华伟，原颜东，薛红卫

（河南理工大学 体育学院，河南 焦作 454000）

0 引言

体育赛事是我国体育产业发展的重要组成部分。随着2008年北京奥运会和2014年南京青奥会的顺利闭幕，体育赛事的举办对城市发展的优势越来越明显。因此，近几年相关政府部门和企业也积极投入到体育赛事的筹备工作中，大多数城市寄希望于通过举办体育赛事来带动城市的经济发展。然而，体育赛事的筹备和举办不是一件轻而易举的事，体育比赛特别是大型或者国际性比赛的举办周期较长，所需成本开销较大，对外部硬件设施条件要求高，相关利益分配角色较多，国内外综合环境影响多种多样。因此，在体育赛事运营过程中存在较多不稳定因素，造成体育赛事举办风险过大。如果成功举办一次体育赛事，需要事前对体育赛事的不稳定因素进行预测，以减少相关因素对体育赛事举办的影响，降低不确定性因素的威胁。对体育赛事进行科学有效的风险预警是十分必要的。因此，本文根据体育赛事的风险预警相关文献资料，结合体育赛事风险预警指标体系，建立了基于BP神经网络的体育赛事风险预警模型，并对风险预警模型进行实证研究。

1 体育赛事风险预警模型

1.1 风险预警指标体系

当前，多数专家使用一次函数平滑性研究方法和多元逻辑推理方法建立体育赛事风险预警指标体系。虽然这些方法计算简洁、易于理解、方便实施，但是对于奥运会级别的体育赛事，显然不能够满足实际要求，存在较大的局限性。传统的体育赛事风险预警指标体系的局限性如下：

（1）对于奥运会、世锦赛等大型体育赛事，风险预警指标体系存在较多的定性指标，而定性指标的评价是一种非线性、模糊的指标，传统风险预警指标体系难以保证定性指标的准确性和客观性，从而降低风险预警的可靠性。

（2）体育赛事的影响因素往往是多变的，传统风险预警指标体系是针对影响因素指标存在一个阈值范围，不具备一定的时效性和动态性，缺乏风险预警指标体系的自适应性，不能够适应如今复杂多变的体育赛事中。

为此，本文将基于BP神经网络动态灵活地实现体育赛事的风险预警。具体体育赛事风险预警指标体系如表1所示。

表1 体育赛事风险预警指标体系

体育赛事风险预警指标体系应建立在对体育赛事风险的科学监控基础之上。而BP神经网络因为其模糊性的特点而广泛应用到监测和控制管理系统中。BP神经网络可以采用平行分散处理模式，提高模式识别的准确性，增强逻辑鲁棒容错率，是一种自适应性很强的预测方法。它能够克服传统方式的局限性，准确处理好体育赛事风险预警的复杂指标系统。

1.2 基于BP神经网络的体育赛事风险预警模型

体育赛事风险预警需要组建一个监管机构，负责对体育赛事全部活动进行数据分析，动态监测体育赛事运营全过程，获得赛事风险预警提示信号，然后赛事风险管理人员需要紧急处理风险项，保证体育赛事的顺利进行。基于BP神经网络的体育赛事风险预警模型的实现流程如图1所示。

图1 基于BP神经网络的体育赛事风险预警模型的实现流程

经过图1所示的信息搜索、上文指标体系的构建、风险预警、风险综合、发出警报等流程可以较好完成风险预警的既定目标，减少体育赛事运营的风险事件发生的可能性。

因此，归纳出使用BP神经网络来模糊体育赛事风险预警的主要优势如下：

（1）原有集合更换为模糊集合。由于体育赛事比赛项目众多，管理难度大，存在较大的复杂性和多边性，风险因素较多。为此，使用模糊集合可以操作体育赛事风险项，便于对模糊信息进行量化和识别，保证风险信息的客观性，使预警结果更加合理。

（2）预警功能具有动态性和时变性。BP神经网络自适应性较强，可以根据已有信息和数据自我学习和训练，同时可以进行原有数据的修正，保证数据空间的准确性，以应对复杂多变的外部风险环境。

（3）实现单一预警向组合预警的转变。BP神经网络的模糊功能可以提升神经网络的表达功能，使得模糊隶属函数自动生成，优化了模糊函数的判定过程，具备更大的操作空间。

基于BP神经网络的体育赛事风险预警模型的关键步骤如下：

步骤1：以BP神经网络为基本网络架构，将传统体育赛事风险预警数据输入网络进行数据学习和训练，完成训练后，将得到的待预警数据再次输入到BP神经网络中，获得模糊数据。

步骤2：使用模糊理论，根据模糊数据计算相对隶属函数。n个待预警数据的m个预警指标构成的特征值矩阵如公式（1）：

其中，Xij为待预警数据j预警指标i的特征值，i=1，2，…，m；j=1，2，…，n。

将矩阵中的数据全部进行标准化处理，特征值越大，体育赛事风险也越大。那么，较大特征值按公式（2）处理，较小特征值按公式（3）处理。

处理完毕后，对公式（1）进行规格化处理得到相对隶属矩阵R，如公式（4）：

其中，i=1，2，…，m；j=1，2，…，n。0＜ rij＜1。

步骤3：对n个待预警数据进行最优评价，设体育赛事的最大风险相对优化向量为g：

最小风险相对优化向量为b：

按照模糊优化理论，经过公式（7）计算可知uj值越大，uj的风险越大。

其中，p为距离参数，当p=1时为海明距离；p=2时为欧式距离。wi为第i个指标的权重值。

步骤4：确定基于BP神经网络的体育赛事风险预警模型如图2所示。

图2 基于BP神经网络的体育赛事风险预警模型

将模糊优化的全体指标的相对优化rij作为BP神经网络的样本空间。构建3层BP神经网络的样本学习空间，收集以前体育赛事风险发生时的全部指标数据和损失函数信息，进行学习训练。设向量S（11，0，0，0）为正常输出状态，向量S（20，1，0，0）为低风险输出状态，向量S（30，0，1，0）为中等风险输出状态，向量S（10，0，0，1）为高风险输出状态。当BP神经网络的实际输出与期望输出接近时，可以认为输入数据训练结束，同时获得模糊优化BP神经网络权值和阈值范围。

步骤5：根据获得的模糊优化BP神经网络权值和阈值范围确定体育赛事风险综合数值，对相关指标进行报警处理。

2 基于BP神经网络的体育赛事风险预警实证分析

2.1 样本数据选取

本文采用问卷调查等形式获取基于BP神经网络的体育赛事风险预警模型样本数据。统计问卷调查结果总结出20组样本评价数据，并设定6项风险预警指标。将20组风险预警评价数据作为输入值，相应风险预警指标级别作为输出值。具体样本数据如表2所示。

表2 体育赛事风险预警模型样本数据

采用表2中的样本数据进行神经网络训练，并在学习训练中逐步增加学习训练次数，以缩小样本数量较少造成的评估误差。样本数据训练完成后选择其中的8组数据作为体育赛事风险预警模型的测试数据，并对风险预警模型进行有效性检测。

2.2 BP神经网络拓扑结构设计

根据图2所示的体育赛事风险预警模型，设计BP神经网络拓扑结构包含：输入端、隐含端和输出端。而在BP神经网络中，具有单个隐含端的BP神经网络可以逼近任何一个无断点的函数。因此，对于只有输入端、隐含端和输出端3层的简单BP神经网络，可以采用多对多的映射关系来实现。

对于输入端的神经网络而言，通常将风险预警指标数量作为神经网络输入端的神经节点数量。因此，根据表2内容，本文中的输入端的神经节点数量为6。

输出端的神经节点数量则视情况而定。一般而言，对于一个分类评估问题，输出端的神经节点数量主要由神经网络可预测的网络参数数值决定，但是输出端的神经节点数量不小于待评估目标对象的数量。而本文讨论的体育赛事风险预警模型本质就是一个分类评估问题，风险综合预警评价结果可以为高、中、低3级，根据输出端的神经节点数量决定方式，设计3个输出端的神经节点数量，其结构模式为（高、中、低）。高、中、低3种风险综合预警评价结果的数学表示为：高（100）、中（010）、低（001）。即如果风险综合预警评价结果为高，则输出端的神经节点数量结构模式中的“高”位置为“1”，相应地，如果风险综合预警评价结果为中或者低，则输出端的神经节点数量结构模式中的“高”或者“低”位置为“1”，因此，输出端的神经节点数量结构模式只存在一个“1”。

另外，隐含端的神经节点数量设计较为复杂。隐含端数量和隐含端节点数量的大小直接决定BP神经网络的规模。为了有效控制BP神经网络规模，需要把隐含端的神经节点数量控制在合理范围内。过多的隐含端的神经节点数量会扩大神经网络规模，增加了网络节点训练时间，减弱了网络泛化能力，直接降低神经网络的预测结果的准确性。而过少的隐含端的神经节点数量会缩小神经网络规模，导致模型建模不充分，不能够准确识别网络分类模式。因此，需要慎重选择隐含端的神经节点数量，在保证一定的神经网络规模下，选择相对紧凑的隐含端神经节点拓扑结构，尽可能缩小隐含端的神经节点数量。隐含端的神经节点数量设定公式如公式（8）所示：

其中，m为输出端的神经节点数量，n为输入端的神经节点数量，t为常数，范围为[1，10]。

2.3 BP神经网络仿真训练

基于BP神经网络的体育赛事风险预警模型的仿真训练采用Matlab软件。Matlab软件中含有BP神经网络仿真测试工具箱，工具箱中有相应的预测和构造函数，通过构建预测和构造函数来训练BP神经网络样本数据。由于输出端结果向量元素为0-1变量，因此输出端的神经节点数量构造函数可以选择对数函数。而隐含端的神经节点数量构造函数为正切函数。输入端的神经网络节点训练函数为TRAINLM，训练次数为2000次，造成的训练误差不高于0.01。经过多次训练，输入端的神经节点数量为7，训练误差满足设定要求。具体输入端的神经网络节点训练误差结果如图3所示。

图3 输入端的神经网络节点训练误差结果

2.4 仿真结果分析

将8组体育赛事风险预测测试样本数据进行神经网络训练，多次训练符合训练误差要求之后带入BP神经网络模型输入端，计算神经网络输出端数据，并与理论数据进行对比，结果如表3所示。

表3 神经网络输出端数据与理论数据对比结果

将实际输出端结果与理论数据进行比较，以理论数据结果为（1，0，0）、（0，1，0）和（0，0，1）共计3种类别数据检测实际输出端风险预警结果的有效性。实际风险类别是根据3组实际输出端结果数据按照分类模式进行划分。例如：对于编号为1的测试样本数据，3组实际输出端结果分别为0.9834、0.0254、0.0000，较符合（1，0，0）的分类模式，根据上文制定的分类规则，设定该样本的风险类别为高。其他测试样本数据的风险类别依照此方法进行确定。

验证表1提出的体育赛事风险预警指标体系的健壮性，归纳出自然环境风险、赛事管理风险、社会环境风险在不同风险级别下的风险处理方案，结果如表4所示。

表4 体育赛事风险预警处理方案

验证图2提出的基于BP神经网络的体育赛事风险预警模型的正确性。在BP神经网络的仿真过程中，表3中显示的8组测样本只有1组测试样本为错误预判。则基于BP神经网络的体育赛事风险预警模型的误判率为12.5%，则样本准确预估率为87.5%。因此，基于BP神经网络的体育赛事风险预警模型具有一定有效性和可靠性。

3 总结

体育赛事的风险预警是针对体育赛事进行过程中可能出现的各类风险事故提出警告和处理方法。在本文中，根据构建的体育赛事风险预警模型，对体育赛事进行预警，提出风险状况具体可行的解决方案，以减少风险事故对体育赛事造成的重大影响。

本文是基于BP神经网络的体育赛事风险预警模型研究与应用。首先说明了体育赛事风险预警的必要性，阐述了体育赛事风险预警的相关文献综述，介绍了当前主要的研究热点。其次针对传统的体育赛事风险预警指标体系的局限性，提出了健全的基于BP神经网络体育赛事风险预警指标体系，说明了基于BP神经网络的体育赛事风险预警模型的实现流程，归纳出使用BP神经网络来模糊体育赛事风险预警的主要优势，详细叙述了基于BP神经网络的体育赛事风险预警模型的关键步骤。然后对基于BP神经网络的体育赛事风险预警模型进行实证分析，选取了适当的样本数据，构建了包含输入端、隐含端和输出端的BP神经网络拓扑结构，进行了BP神经网络仿真训练，计算出输入端的神经网络节点的训练误差结果。将神经网络输出端数据与理论数据进行对比分析发现本文提出的基于BP神经网络的体育赛事风险预警模型具有一定的有效性和可靠性。最后得出实证分析结果，介绍了体育赛事风险预警的主要依据，说明了体育赛事风险预警的主要对策及相关注意事项。