[发明专利]通过机器学习构建球员带球关系的方法、装置及系统

说明书

本发明提供了一种通过机器学习构建球员带球关系的方法、装置及系统，涉及数据分析技术领域。通过超宽带定位系统获得足球和球员的位置坐标，并建立球员对应的数学模型，再采用机器学习算法对相关数学模型进行处理，使得对每个球员的带球关系可以通过模型进行分类，可以更加准确、真实的反映出球场上球员与足球的关系，为球员的数据统计提供更具有价值的数据参考。超宽带定位系统的定位精度高，数据采集效率更高。并且，在机器学习过程中，随着数据量的不断增大，数学模型输出的准确性也可以不断提升。

技术领域

本发明涉及数据分析技术领域，具体而言，涉及一种通过机器学习构建球员带球关系的方法、装置及系统。

背景技术

在各种运动中，对于一名运动员的运动能力的评价一般只能通过人来进行，即使通过各种设备能够获取运动员的运动状态，但对于运动员的评价十分主观和片面。例如，在足球运动中，对于一名球员在赛场上的运动状态只能通过大量的后台人员进行数据的采集，采集效率低，数据分散，无法提供有价值的数据参考。

发明内容

有鉴于此，本发明提供了一种通过机器学习构建球员带球关系的方法、装置及系统。

本发明提供的技术方案如下：

一种通过机器学习构建球员带球关系的方法，应用于超宽带定位系统，所述超宽带定位系统包括多个定位基站、多个球员标签和至少一个足球标签，所述超宽带定位系统通过所述定位基站确定所述球员标签和足球标签的位置坐标，该通过机器学习构建球员带球关系的方法包括：

分别确定所述球员标签和足球标签的位置坐标数据；

根据所述球员标签和足球标签的位置坐标数据，确定每个时刻距离所述足球标签最近的球员标签；

根据每个时刻距离所述足球标签最近的球员标签，建立带球数据的数学模型；

通过插值法来对所述带球数据进行平滑处理，以过滤掉所述带球数据中的噪点数据；

通过预设机器学习算法，校准所述数学模型。

进一步地，根据所述球员标签和足球标签的位置坐标数据，确定每个时刻距离所述足球标签最近的球员标签的步骤包括：

将所述位置坐标数据转换为数据矩阵；

建立与每个球员标签对应的球员矩阵，所述球员矩阵包括与每个所述球员的位置坐标数据对应的时间戳及坐标数据；

建立与所述足球对应的足球矩阵，所述足球矩阵包括与所述足球的位置坐标数据对应的时间戳、横坐标数据及立坐标数据；

根据所述球员矩阵和足球矩阵，计算每个时刻每个所述球员与所述足球的距离；

根据预设函数确定每个时刻距离所述足球标签最近的球员标签。

进一步地，根据所述球员矩阵和足球矩阵，计算每个时刻每个所述球员与所述足球的距离采用以下公式计算：

其中，δ为所述球员与所述足球的距离；s1为每个时刻所述球员的横坐标信息与所述足球的横坐标信息的差值；s2为每个时刻所述球员的立坐标信息与所述足球的立坐标信息的差值。

进一步地，根据预设函数确定每个时刻距离所述足球标签最近的球员标签的步骤包括：

对通过所述球员矩阵和足球矩阵计算得到的每个时刻每个所述球员与所述足球的距离构成的矩阵中，每行数据通过以下函数取最小值，得到每个时刻距离所述足球标签最近的球员标签：

result[list(range(1,14))].min(axis＝1)。

进一步地，根据每个时刻距离所述足球标签最近的球员标签，建立带球数据的数学模型的步骤包括：