适应性遗传算法在围训练负载预测中的应用和优化:基于数据可视化的分析方法

科学领域:

• 运动科学 运动科学 运动科学
• 生物机械工程 生物机械工程
• 计算智能是一种计算智能.

背景情况:

• 准确预测训练负载对于优化运动表现和预防围受伤至关重要.
• 现有的训练负载评估方法可能无法充分捕捉围需求的动态和多方面的性质.
• 基于传感器的外部机械负载数据为量化训练强度提供了客观的指标.

研究的目的:

• 开发和验证一种适应性遗传算法 (AGA) 模型,用于预测围的多方面的训练负载.
• 将AGA模型的预测性能与已建立的机器学习算法进行比较.
• 展示AGA在数据驱动培训监测和规划方面的实际实用性.

主要方法:

• 利用每日和体育活动数据集,包括从八名健康成年人执行各种活动的传感器衍生的外部机械负荷.
• 将时间序列活动数据映射到围特定的负载模式,将负载分类为强度,有氧,容量,耐力,速度,敏捷性和灵活性.
• 开发了一种自适应基因算法 (AGA),可以动态优化健身功能,交叉和突变率,以提高预测准确度.

主要成果:

• 该AGA模型的表现始终优于带有Gated Recurrent Unit (DNN-GRU) 的深度神经网络,极端梯度增强 (XGBoost),带有注意力机制的长短期记忆 (LSTM-Attn),事件对抗神经网络 (EANN) 和时间注意力图卷积网络 (TA-GCN).
• 在耐力负载预测中,AGA在测试集上实现了0.97的R2和0.96的准确性.
• 时间序列可视化确定了典型和极端训练负载段,极端负载定义为前十位数内的预测.

结论:

• 适应性遗传算法 (AGA) 框架为预测围训练负载提供了一种可靠且计算效率高的方法.
• 与其他先进模型相比,AGA的动态优化能力导致了更高的预测准确性.
• 这种数据驱动的方法为个性化训练监测和围和类似运动的战略规划提供了有价值的工具.