SVM在田徑100米比賽成績預測的初步研究

杜大群

（衢州職業技術學院公共體育部 浙江·衢州 324000）

中圖分類號：G822 文獻標識：A 文章編號：1009-9328（2014）09-000-01

摘 要 本文通過對歷屆夏季奧運會短跑冠軍的短跑成績進行研究，以期達到對今后的短跑成績進行預測，對運動員的科學訓練起到指導性作用。運用支持向量機（SVM）對運動員計時性項目成績進行分析，用每四次建立模型預測下次。研究表明利用該方法對短跑項目的成績預測是有效的，因此，此研究方法亦可為今后預測全國乃至世界短跑項目比賽的成績與名次提供新思路、新方法。

關鍵詞 Support Vector Machine 短跑比賽 成績預測

一、研究對象及方法

（一）研究對象

以l896—2012年歷屆奧運會田徑比賽男子100米冠軍成績作為研究對象。

（二）研究方法

1.文獻資料法。通過校圖書館和電子專業期刊網廣泛查閱和搜集相關田徑項目發展及SVM相關文獻資料，并進行分析整理，為本研究提供堅實的理論基礎。

2.支持向量機方法。支持向量機（SVM）是一種新型的分類和函數估計工具，源于統計學習理論的基礎之上，近年來它在模式識別、回歸和金融時間序列等方面均取得了成功應用。通過查閱相關資料獲取比賽數據，利用支持向量機（SVM）對其數據進行分析、預測[4-5]。

二、研究結果及分析

SVM的關鍵在于核函數。低維空間向量集通常難于劃分，解決的方法是將它們映射到高維空間。但這個辦法帶來的困難就是計算復雜度的增加，而核函數正好巧妙地解決了這個問題。這樣，在高維空間中實際上只需進行內積運算，而這種內積運算是可以用原空間的函數來實現的，我們甚至沒有必要知道變換的形式。根據泛函的有關理論，只要一種核函數K（xj，x）滿足Mercer條件，它就對應某一空間中的內積[3]。此時分類函數變為：

（一）研究結果

一個非線性模型通常需要足夠的模型數據，與非線性SVC方法相同，一個非線性映射可將數據映射到高維的特征空間中，在其中就可以進行線性回歸[6]。運用核函數可以避免模式升維可能產生的"維數災難"，即通過運用一個非敏感性損耗函數，非線性SVR的解即可通過下面方程求出：

其約束條件為：

由此可得拉格朗日待定系數和，回歸函數f（X）則為：

通過非線性變換，把輸入數據映射到高維特征空間，然后在高維特征空間中求解回歸問題。

根據奧運會多年來的發展、經歷的戰爭和重大的政治事件和田徑運動的特點劃分為六個階段：1896年到第一次世界大戰時期；一戰時期；兩次世界大戰之間時期；二戰時期；二戰后至1968年時期；l972年至今。由于中間種種原因中間有幾界奧運會未能順利舉辦，為方便期間的劃分與計算更合理，以下用奧運會的次數而不用屆數來表示。

通過SVM進行數據規格化，并且用前4次預測第五次為格式進行建表分析。

將前22次作為訓練集，將最后一次作為測試集，特別說明第22次為2008年北京奧運會的男子100米冠軍成績。第23次作為預測2012年奧運會男子100米冠軍成績。

通過實驗尋找最優核函數。

（二）預測結果：

使用最小核函數進行建模，預測2012年奧運會的男子100米成績是9.47秒，，由于一定的原因，在倫敦奧運會百米比賽的冠軍成績未達到9.47秒，但接近于預測成績。所以一項新的世界記錄在下一屆奧運會上有可能誕生。

三、結論與分析

由于體育比賽的成績易受多種因素的影響，所以預測結果會有誤差，但是總體來說，由第22次實驗數據可以看出此方法誤差較小，因此具有可行性，可以提供參考性意見，具有指導意義。通過支持向量機（SVM）不僅可以用較小的信息預測體育比賽的成績，而且還考慮了隨機因素對系統狀態的轉換規律的影響，并且能夠充分挖掘歷史數據提供的信息，對今后的比賽數據發展趨勢進行預測。其實，不僅僅是在體育比賽的短跑方面，在其他體育領域內的比賽仍然可以預測，因此對體育運動的發展起到指導性的意義。

參考文獻：

[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.