基于神经网络的运动运动员表现的预测和评估算法的研究

科学领域:

• 运动分析 运动分析
• 运动中的机器学习
• 业绩预测的性能预测.

背景情况:

• 最终战斗锦标赛 (UFC) 是一个主要的全球混合武术平台.
• 越来越大的UFC活动规模增加了运营需求.
• 运动员的表现是观众参与的主要驱动力.

研究的目的:

• 为了增强UFC比赛的吸引力和培养精英运动员.
• 用一个新的预测模型来预测运动员的表现.
• 用运动员肖像和特征来预测表现.

主要方法:

• 开发了一个使用双向长期短期记忆 (BiLSTM) 循环神经网络的预测模型.
• 构建运动员肖像和分析运动员特征.
• 通过实验分析评估模型性能.

主要成果:

• 运动员表现预测模型的准确度为0.7524.
• 与线性回归和多层感知器 (MLP) 相比,BiLSTM模型显示出更高的预测准确性.

结论:

• 介绍了一种基于BiLSTM的新方法来预测UFC运动员的表现.
• 该模型的准确性超过了传统方法.
• 改进的预测功能可以丰富UFC观看体验,并支持运动员的发展.