[发明专利]一种基于特征选择和参数优化的冰球赛况预测方法

权利要求书

1.一种基于特征选择和参数优化的冰球赛况预测方法，其特征是它包括如下步骤：

步骤1：对获取的待预测的冰球比赛数据进行数据标准化处理，得到冰球比赛数据集，即通过函数变换使数据映射到特定区间；

步骤2：对已进行过数据标准化处理的冰球比赛数据集再一次使用基于稀疏表达思想和用L1范数最小化优化方法处理，获得冰球数据特征的稀疏表示重构系数，并将原始特征和重构特征的误差作为该特征的稀疏分数；

步骤3：计算待处理的冰球比赛数据集中，拉普拉斯改进标准分类特征与每个特征变量的相关性；

步骤4：根据步骤2和步骤3计算得到冰球比赛关键特征的稀疏分数以及分类类别与特征的相关关系，分析特征的稀疏分数与该特征和类别的相关性之间的相互关系提出冗余特征，实现特征选择；

步骤5：通过混合GAPSO算法优化支持向量机的惩罚因子C以及核函数参数g，实现支持向量机的参数优化；

步骤6：采用K折交叉验证，输出冰球比赛预测结果。

2.根据权利要求1所述的预测方法，其特征是步骤2中计算冰球比赛数据集中各个特征的稀疏分数包括如下步骤：

步骤2.1：对待处理的冰球比赛数据集，使用基于稀疏表达思想和用L1范数最小化优化方法以获得数据特征的稀疏表示重构系数；对于一个给定的冰球比赛数据集其中x_i∈R^d，令数据矩阵X＝[x₁,x₂,…,x_n]∈R^d×n中的每列作为该数据集的特征向量；用公式对所有数据向量X_i计算基于稀疏表示的重构系数s_i；其中，X′是X不包含x_i的数据矩阵；n维系数向量s_i＝[s_i1,…,s_ii-1,0,s_ii+1,…,s_in]^T，因为在计算重构稀疏s_i时，没有将x_i包含在X里面，因此s_ii＝0；同时，s_ij,j≠i则表示数据向量x_j对于重构x_i所做的贡献；

步骤2.2：用对每个特征在整个冰球比赛数据集样本上的重构误差求和，获得在整个冰球比赛数据集上的各个特征的稀疏表示保留能力即特征的稀疏分数；其中，用于表示第r维的原始特征x_ir与该特征基于重构系数矩阵得到重构特征之间的误差累加结果，用Var(X(r,:))表示第r维特征的方差；

步骤2.3：将特征的稀疏分数S(r)按照升序排列。

3.根据权利要求1所述的预测方法，其特征是所述步骤3的计算方法为：对待处理冰球赛事数据集，计算其分类类别与特征变量的相关性C(i)：

subject.to.k＝1,2,…,d

t＝1,2,…,d

N_p≥1；

式中，N_p表示分类类别为p的样本个数；N_n表示分类类别不是p的样本个数；表示所有冰球比赛样本中的第i维特征变量的均值；表示冰球比赛数据样本集中的分类类别为p的第i维特征变量的均值；表示冰球比赛数据样本集中的非类别p的第i维特征变量的均值；x_k,ip表示第i维特征变量中第k个类别p样本的值；x_t,ip表示第i维特征变量中第t个非类别p样本的值；

此时，冰球赛事中分类特征与特征变量相关性C(i)的计算结果是d维向量，当分类类别与特征之间相关关系越强时，计算得出的C(i)就越大；当分类类别与特征关系为弱相关或不相关时，计算得出的C(i)就越小，因此将相关性按照降序排列。