新型籃球比賽數據分析平臺的構建

史一丹 蔡雨琦 于華 張怡 姚輝波*

(1.南京理工大學體育部 江蘇南京 210094;2.中國電子科技集團公司第二十八研究所 江蘇南京 210007;3.南京市第九中學 江蘇南京 210018)

隨著多種科學技術手段的融入，籃球比賽數據分析的先進性得到了長足的提升。首先是體育相關設備的智能化水平提高，為數據采集與數據分析提供了更加堅實的硬件支持。其次，各種先進的技術與算法的研發，為解決籃球相關技術問題提供了理論支撐。例如，數據庫技術的應用為籃球相關數據的保存與應用提供了基礎[1]，先進的數據分析算法的應用為找到籃球數據反映的內部規律提供更加快速、高效的手 段[2]。此外，各種籃球相關新媒體與數據分析團隊的崛起也為籃球數據分析行業注入了加速劑。相關媒體的介入，使更多的實體參與比賽的技術統計，數據分析團隊的加入也為球隊的進步與發展提供了專業化的參考意見。

然而，目前的籃球數據分析仍然存在許多不足之處。首先，籃球比賽以及籃球相關新媒體的種類復雜多樣且相對獨立，現有的籃球數據庫都是中心化的，如新浪體育、騰訊體育等，中心化數據庫會造成數據壟斷，導致數據無法共享和流通，“信息孤島”現象十分明顯，導致大、中、小型的籃球相關組織缺乏獲得數據的渠道，大量的數據需求只能訴諸數據黑產、數據寡頭、數據聯盟，沒有形成完善的數據流通機制[3]。其次，籃球數據分析實時性差且存在主觀誤差[4]，教練員及其團隊需要根據相關理論和經驗，結合籃球運動員的技能水平數據，分析對手以及自身的技戰術水平。這種模式的主觀性很強，教練員需要花費大量的時間去分析技戰術與運動員技術動作，這就產生了大量的時間浪費以及主觀判斷誤差。

1 技術概念與特征闡述

1.1 區塊鏈

區塊鏈是一種全新的分布式數據庫技術，其核心功能在于分布式數據存儲、點對點傳輸、共識機制等[5]。分布式存儲和點對點傳輸在一個去中心化的分布式系統中實現數據的安全可靠存儲與共享，共識機制則決定了在去中心化的網絡中如何記錄和存儲數據。首先，區塊鏈網絡中不存在一個絕對的核心。也就是說，沒有人可以控制整個網絡的數據并且制定網絡規則。這就使區塊鏈網絡中的節點具有相對的公平性，主要體現在網絡中的每個節點都用于網絡數據的備份及網絡中的節點都可以通過參與共識機制來管理區塊鏈網絡兩個方面。其次，區塊鏈網絡中的數據具有更高的安全性，這得益于區塊鏈中的數據都運用了密碼學的加密方法。最后，區塊鏈網絡中的數據具有追根溯源性，每一組數據都具有明顯的身份標識，可以快速查詢到數據的來源出處。

1.2 邊緣計算

移動邊緣計算技術近年來引起了人們的關注。移動邊緣計算的概念是由歐洲電信標準協會提出的，將計算資源部署在靠近終端設備的區域，旨在將計算資源引入無線接入網，為終端提供強大的計算能力擴展，同時縮短通信距離，減小計算時延[6]。目前，對于邊緣計算的研究處于起步階段，如在車聯網中，大量有關車輛的計算任務需要將大量的數據上傳至數據中心（數據計算中心是數據服務提供商所擁有的，如亞馬遜云計算中心、谷歌云計算中心等），然而這些計算任務往往實時性要求比較高，衛星通信產生的大量數據傳輸會產生較大的時延，尤其在數據高峰期，數據中心計算資源的短缺會產生較大計算時延，影響網絡性能。而在邊緣計算網絡中，數據服務提供商通過在蜂窩網絡中設置邊緣計算節點，使計算資源更貼近用戶終端，將會減小因為衛星通信產生的時延，并且邊緣計算節點密度較大，會對終端的計算資源形成良好的補充。

1.3 機器學習

機器學習作為最強大的人工智能工具之一，已被廣泛應用于計算機視覺、信號/語言處理、社會行為分析、無人機路徑規劃等[7]。明確地說，它運用統計技術來識別模式和底層結構，繼而分析觀測到的數據以形成經驗。這就使智能設備能夠自動“學習”做出預測，而無需人工干預來相應地調整機器的行為。機器學習主要包括3類：監督學習、無監督學習和強化學習。監督學習根據已有的數據集，知道智能設備數據輸入和輸出結果之間的關系。根據這種已知的關系，訓練得到一個最優的數據處理模型。也就是說，在監督學習中，訓練數據既有特征又有標簽，通過訓練，讓機器可以自己找到特征和標簽之間的聯系。相反，在無監督學習中，機器不知道數據之間的關系，而是要根據聚類或一定的模型得到數據之間的關系。可以這么說，比起監督學習，無監督學習更像是自學，讓機器學會自己做事情。強化學習算法則是讓機器學習如何將環境變化情況映射到動作，以通過與環境互動來最大化獎勵。也就是說，讓機器能夠根據環境的變化做出相應的變化以更好地適應環境。

2 基于區塊鏈、邊緣計算以及機器學習的新型籃球比賽數據分析平臺

基于以上前言中對籃球數據分析局限性的分析，結合了區塊鏈、邊緣計算以及機器學習在如今數據分析方面的突出優勢，該文提出了基于以上3種技術的新型籃球比賽數據分析平臺（見圖1）。其主要的思路如下：首先，基于先進的區塊鏈技術組建分布式的數據庫用于存儲籃球比賽相關數據，實現數據共享；其次，就近（籃球比賽場地周圍）部署高性能的邊緣計算服務器，將先進的機器學習算法裝載于邊緣計算平臺；最后，邊緣計算平臺運用先進的機器算法分析數據庫數據后，將結果反饋至數據分析服務需求方。

圖1 新型籃球比賽數據分析平臺架構示意圖

下面該文將具體描述三大板塊的運行機制與意義。

2.1 基于區塊鏈的籃球數據庫構建

在區塊鏈架構上構建籃球數據庫，以區塊鏈來構建籃球比賽相關數據庫是整個平臺運行的基礎。在傳統的集中式數據庫中，數據被幾個實力雄厚的籃球實體（籃協、新浪體育、各大籃球俱樂部等）所擁有，這就導致數據的流通性差，數據的獲取困難重重。而且容易發生“單點失效”問題，也就是數據擁有方服務器故障，則所有的數據將不復存在。而區塊鏈數據庫是一個全新的分布式數據庫技術，其自身的技術特點能夠非常好地克服以上幾點問題。有文獻提出運用區塊鏈進行體育大數據的存儲與共享[8]。借鑒此思路，該研究將區塊鏈技術應用于籃球比賽數據庫。首先，所有籃球相關的實體（觀眾、媒體、籃協以及俱樂部等）會在區塊鏈的網絡中注冊成為合法的節點，享受區塊鏈網絡中的數據服務。然后，隨著多種籃球比賽的進行，會產生大量的數據。由于區塊鏈是一種去中心化的數據庫技術，不存在可信的第三方實體來記錄數據。此時，區塊鏈系統將按照特定的規則（共識機制）選擇一個節點來記錄數據并上傳到區塊鏈網絡中，當某個節點上傳到網絡中的數據被其他節點驗證（也就是驗證數據真實可靠）之后，該數據將出現在網絡中所有節點的內存中。而負責上傳數據和驗證數據的節點也將受到一定的物質激勵。在區塊鏈數據庫中，每一個區塊鏈中的實體將擁有一個所有數據的完整備份，這就解決了籃球數據的流通性與共享問題。另外，就算某個節點的數據庫發生故障，也可以從其他節點處拷貝從而得到恢復，這也就很好地解決了“單點失效”問題。

2.2 邊緣計算服務器架設

在籃球比賽過程中，對于對手籃球戰術的分析僅靠肉眼往往難以快速作出判斷，這就需要借助計算能力較強的智能計算機來輔助分析。雖然智能手機計算能力有所加強，但是想要做到快速準確分析還是天方夜譚。因此，現有的技術手段需要將大量圖像數據上傳至云服務器（計算能力強大的計算機一般較比賽場地較遠），如果利用衛星通信傳輸大量數據，較長的傳輸距離會產生較大計算時延，也無法快速對比賽做出分析。因此，將云服務器拉近用戶是非常有必要的。邊緣計算平臺的架設就是遵循了這一思路，將擁有強大計算能力的邊緣計算服務器部署在靠近籃球比賽場地的區域，并將其接入無線局域網，這樣籃球數據分析的需求方可以直接通過無線局域網上傳數據至邊緣計算服務器分析，避開云服務器的冗長傳輸距離，就近處理，對籃球比賽中的數據分析快速作出反應。

2.3 機器學習算法的應用

在數據庫與邊緣計算平臺這些硬件準備完成之后，數據處理算法將成為整個數據分析平臺的核心競爭力。一方面，數據分析算法較為簡單，只能對于籃球分析數據做簡單分類，而后續的分析工作大多是借助人工分析才能得到結論。另一方面，現有的數據分析算法是靜態的，只能判斷“是與否”的問題，也就是只能判斷出對手的戰術是否是現有的某種戰術，對于對手運用的新型戰術，做不到識別與判斷。此時，機器學習算法便可以良好地適配該問題。例如，有研究設計了一種機器學習框架來對體育運動結果預測進行預測[9]。此外，還有研究匯總了人工智能在體育行業的應用前景，指出體育數據分析前景廣闊[10]。由此可見，機器學習算法應用到籃球數據分析也是大有裨益的。機器學習算法是自適應與自演化算法的集合，能夠自主提取數據中的特征數據，并對數據做到更加智能的分析，并且隨著對手戰術的變化，算法本身也可以進行動態的演進，不斷識別新的戰術，豐富關于對手的戰術庫，為更好地應對對手的戰術提出對策。

3 結語

新型的數據分析平臺將克服現有籃球數據分析平臺的幾大問題。利用區塊鏈構建籃球數據庫，將更好地實現籃球數據的共享，為各單位實現籃球數據的分析提供便利。利用邊緣計算技術就近解決籃球數據分析問題提高數據分析的實時性，便于快速做出應對。利用先進的機器學習算法進行數據分析，將提高數據分析的準確性，提高比賽的勝率。