Особенности прогнозирования спортивных событий на основе использования аппарата нейронных сетей

Размещено на http://allbest.ru

ОСОБЕННОСТИ ПРОГНОЗИРОВАНИЯ СПОРТИВНЫХ СОБЫТИЙ НА ОСНОВЕ ИСПОЛЬЗОВАНИЯ АППАРАТА НЕЙРОННЫХ СЕТЕЙ

Портнов Михаил Семенович

Речнов Алексей Владимирович

Филиппов Владимир Петрович

Егорова Галина Николаевна

Мулгачев Николай Николаевич

В представленной статье рассматриваются особенности применения инновационных инструментов прогнозирования. В качестве основного метода, используемого авторами для прогнозирования, применяются искусственные нейронные сети Хопфилда, представляющие собой нейронные сети на основе радиально-базисных функций. Современный спорт требует от тренеров и спортсменов соответствия высоким требованиям подготовки. Одним из эффективных инструментов современного тренера является прогнозирование, которое позволяет наиболее эффективно корректировать работу специалистов и спортсменов. Имея результаты прогнозирования, специалисты могут более эффективно корректировать организацию подготовки спортсменов. Проведенный анализ современной литературы показывает, что прогнозирование представляет эффективный инструмент предугадывания результатов будущих спортивных событий. Авторами сделан правомерный вывод о том, что прогнозирование, основанное на аппарате нейронных сетей, является высокоэффективным инструментом, позволяющим современным тренерам организовывать подготовку спортсменов на более высоком уровне.

Ключевые слова: спортивные события; прогнозирование; нейрон; нейронная сеть; кластеризация.

инновационный прогнозирование искусственные нейронные сети хопфилд

M.S. Portnov, A.V. Rechnov, V.P. Filippov, G.N. Egorova, N.N. Mulgachev

FEATURES OF PREDICTING SPORTING EVENTS THROUGH THE USE OF NEURAL NETWORKS

The article deals with the features of the use of innovative forecasting tools. As the main method used by the authors for forecasting, artificial Hopfield neural networks are used, which are neural networks based on radial basis functions. Modern sport requires coaches and athletes to meet the high demands of the time. One of the effective tools of the modern coach is forecasting, which allows to adjust the work of specialists and athletes most effectively. With the results of forecasting, experts can more effectively adjust the training of athletes. The analysis of modern literature shows that forecasting is an effective tool for predicting the results of future sports events. The authors made a valid conclusion that based on the neural networks forecasting is a highly efficient instrument to allow a higher level athletes training by a modern coaches.

Keywords: sports events; forecasting; neuron; neural network; clustering.

Особенности современного спорта требуют от тренеров и спортсменов соответствия высоким требованиям результативности. Для выстраивания планов подготовки спортсменов в спорте необходимо прогнозирование, которое позволяет наиболее эффективно корректировать работу специалистов и спортсменов, применять новшества [2]. Прогнозирование рассматривается как наиболее эффективный инструмент предугадывания результатов будущих спортивных событий. Зная определенный заранее результат соревнований, можно выявить, как наиболее эффективно организовать тренировочный цикл.

Анализ специализированной литературы по проблеме прогнозирования позволяет констатировать, что наиболее перспективным методом для реализации данной задачи является применение искусственных нейронных сетей [4]. Любой из нейронов искусственной нейронной сети при необходимости имеет возможность корректировать входной сигнал. На нейроны нижнего уровня искусственной нейронной сети передаются значения данных, на основе которых осуществляется нейросетевое прогнозирование. В соответствии с определенным алгоритмом, заложенным в основу работы искусственной нейронной сети, эти данные могут трансформироваться при прохождении на следующий слой. Нейроны, находящиеся на самом «верхнем» слое искусственной нейронной сети, выполняют формирование окончательного решения.

С целью эффективного применения искусственной нейронной сети для реализации задачи прогнозирования ее необходимо предварительно «обучить». Для этого используют специально создаваемую, обучающую выборку, для которой заранее известно верное решение при заданных входных данных. Обучение искусственной нейронной сети состоит в подборе соответствующих весовых коэффициентов для обеспечения наибольшей точности ее функционирования.

Искусственный нейрон с математической точки зрения является математической функцией, имеющей несколько различных входов и только один выход [3] (рис. 1).

Рис. 1. Функциональная схема искусственного нейрона

Применительно к предметной области прогнозирования решение задачи итогов спортивных событий можно представить в виде последовательности следующих этапов [5]:

• сбор необходимых исходных данных о прошедших ранее спортивных событиях в определенном виде спорта;

• выбор наиболее оптимальной архитектуры нейронной сети для решения задачи;

• разработка программного продукта для решения задачи прогнозирования;

• создание и структуризация обучающей выборки в соответствии с требованиями используемого специализированного программного обеспечения;

• разработка алгоритма обучения нейронной сети;

• обучение и прогнозирование на основе использования нейронной сети;

• практическое применение созданной нейронной сети для прогнозирования вероятностей исходов спортивных событий.

Рассмотрим подробнее наиболее важные из приведенных этапов.

Сбор исходных данных. Наличие большого количества исходных данных для обучения искусственной нейронной сети является важным фактором, определяющим возможность эффективного решения поставленной задачи прогнозирования [1]. Однако, как показывают проведенные нами исследования, важным показателем является не только объем, но и происхождение данных.

Немаловажным является качественный состав данных в обучающих векторах. Чем больше различных факторов будет учтено, тем глубже можно выполнить кластеризацию, вплоть до получения очень неожиданных, но реально работающих прогнозов. Полученные результаты исследований подтверждают, что наиболее значимыми факторами, которые необходимо учитывать, например, при прогнозировании исходов спортивных событий в теннисе, являются:

- текущий рейтинг АТР, прогресс изменения рейтинга за текущий сезон, количество титулов на покрытие турнира в этом сезоне;

- рост и возраст игрока;

- стадия турнира (1/32; 1/16; 1/8;..., финал), тип турнира (хард, индора, грунт, трава);

- количество дней отдыха до предстоящего матча, количество подряд проведенных матчей, число побед/поражений на покрытие турнира и другие показатели.

Фрагмент обучающей выборки, используемой нами при прогнозировании исходов теннисных матчей, приведен на рис. 2.

Выбор наиболее оптимальной архитектуры нейронной сети. Выбор или разработка программного продукта. От выбора архитектуры нейронной сети во многом зависит результат прогнозирования. Выбор архитектуры, как правило, осуществляется на основе проведенных многочисленных экспериментов и опыта исследователей.

Для прогнозирования результатов теннисных матчей нами была успешно применена искусственная нейронная сеть Хопфилда, которая позволяет организовать наиболее эффективную систему для прогнозирования подобных спортивных событий (рис. 3).

Рис. 2. Фрагмент обучающей выборки для обучения нейронной сети

Разработка собственного программного средства для реализации прогнозирования на основе разработанной архитектуры нейронной сети, как показал наш опыт, наиболее эффективен, поскольку позволяет учесть все многочисленные нюансы решаемой задачи: сбор и обработка необходимых данных для прогнозирования, обучение нейронной сети, прогнозирование результатов теннисных матчей.

Рис. 3. Структура нейронной сети для прогнозирования результатов теннисных матчей

На рис. 4 представлен программный продукт, реализующий прогнозирование результата матча.

Формирование и структуризация обучающей выборки. Обучающие данные необходимо представить таким образом, чтобы их смогла интерпретировать программа реализации прогнозирования.

Рис. 4. Программный продукт по прогнозированию результатов теннисных матчей

Важно учесть, что не все имеющиеся исходные данные должны обязательно использоваться для кластеризации в дальнейшем. Напротив, переменные, соответствующие исходам матчей или итоговому счету, принципиально должны быть не обучающими, а описывающими, т.е. использоваться только в ходе последующего кластерного анализа. Но включать их в выборку необходимо для целей последующего выполнения кластерного анализа.

Практическое использование нейронной сети для прогнозирования вероятностей исходов спортивных событий. При наличии результатов кластерного анализа можно использовать обученную нейронную сеть для решения изначально поставленной задачи прогнозирования. Важным преимуществом методов нейросетевой кластеризации является возможность дообучения сетей параллельно в рамках их практического использования. Это значит, что узнав фактический результат матча, для которого ранее был сделан прогноз, можно пересчитать вероятности исходов для соответствующего кластера на будущее или продолжить процедуру обучения нейронной сети. Таким образом, постепенно наращивая базу данных по спортивной статистике, обеспечивается повышение качества и точности прогноза.

Список литературы

1. Лаврентьев Л.Ф., Филиппов В.П. Финансовое прогнозирование на основе аппарата нейронных сетей // Вестник Российского университета кооперации. 2014. № 2 (16). С. 122-127.

2. Мулгачев Н.Н., Иванов В.Д. Политика и спорт в современном мире // Актуальные вопросы теории и практики вузовской науки: сб. материалов Междунар. науч.-практ. конф., посвящ. 55-летию Чебоксарского кооперативного института (филиала) Российского университета кооперации. Чебоксары: ЧКИ РУК, 2017. С. 84-86.

3. Речнов А.В. Нейросетевое моделирование в информационной системе торгового предприятия // Вестник Российского университета кооперации. 2014. № 2 (16). С. 129-133.

4. Речнов А.В. Применение нейронных сетей для классификационного анализа // Вестник Российского университета кооперации. 2013. № 4 (14). С. 141-144.

5. Филиппов В.П. Применение современных информационных технологий интеллектуальной обработки данных в экономике // Актуальные вопросы теории и практики вузовской науки: сб. материалов Междунар. науч.-практ. конф., посвящ. 55-летию Чебоксарского кооперативного института (филиала) Российского университета кооперации. Чебоксары: ЧКИ РУК, 2017. С. 311-316.

Авторы

ПОРТНОВ Михаил Семенович - кандидат социологических наук, доцент кафедры информационных технологий и математики. Чебоксарский кооперативный институт (филиал) Российского университета кооперации. Россия. Чебоксары

РЕЧНОВ Алексей Владимирович - кандидат педагогических наук, доцент кафедры информационных технологий и математики. Чебоксарский кооперативный институт (филиал) Российского университета кооперации. Россия. Чебоксары.

ФИЛИППОВ Владимир Петрович - кандидат физико-математических наук, доцент кафедры информационных технологий и математики. Чебоксарский кооперативный институт (филиал) Российского университета кооперации. Россия. Чебоксары.

ЕГОРОВА Галина Николаевна - старший преподаватель кафедры информационных технологий и математики. Чебоксарский кооперативный институт (филиал) Российского университета кооперации. Россия. Чебоксары.

МУЛГАЧЕВ Николай Николаевич - старший преподаватель кафедры физического воспитания. Чебоксарский кооперативный институт (филиал) Российского университета кооперации. Россия. Чебоксары.

Размещено на Allbest.ru