CN109165686B - 通过机器学习构建球员带球关系的方法、装置及系统 - Google Patents

Abstract

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。

Description

通过机器学习构建球员带球关系的方法、装置及系统

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：

构建每个球员的带球函数y＝f(x)，

根据所述带球函数，建立所述球员在n时刻的带球数据的数学模型为：

Fn＝∑αiFi(x)，其中，i＝n-1，n-2，…，0；n为时刻信息；

进一步地，通过插值法来对所述带球数据进行平滑处理的步骤包括：

根据所述带球函数，构造经过所述带球函数中n+1个不同时刻对应的函数值的多项式，所述多项式的次数小于n，所述多项式为y＝Pn(x)，其中Pn(xk)＝yk,k＝0,1,…,n；

对所述数学模型进行更新，得到更新数学模型为：

Pn(xi)＝Pn-1+β(Fn-1(xi)-Pn-1(xi))

其中，Fn-1(xi)为所述数学模型，β为平滑常数。

进一步地，通过预设机器学习算法，校准所述数学模型的步骤包括：

将所述更新数学模型的值作为训练样本通过监督学习建立分类器；

将所述数学模型的值作为测试样本利用所述分类器进行分类，校准所述数学模型。

进一步地，所述超宽带定位系统还包括运维平台，所述运维平台用于记录比赛现场的比赛数据。

本发明实施例还提供了一种通过机器学习构建球员带球关系的装置，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装置包括：

数据获取模块，用于分别确定所述球员标签和足球标签的位置坐标数据；

距离确定模块，用于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；

模型建立模块，用于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；

数据处理模块，用于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；

机器学习模块，用于通过预设机器学习算法，校准所述数学模型。

本发明实施例还提供了一种通过机器学习构建球员带球关系的系统，包括超宽带定位系统及服务器，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，其中，所述服务器包括：

数据获取模块，用于分别确定所述球员标签和足球标签的位置坐标数据；

距离确定模块，用于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；

模型建立模块，用于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；

数据处理模块，用于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；

机器学习模块，用于通过预设机器学习算法，校准所述数学模型。

通过上述构建带球关系的方法，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。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例提供的一种通过机器学习构建球员带球关系的方法的流程示意图。

图2为本发明实施例提供的一种通过机器学习构建球员带球关系的方法中步骤S102的子步骤的流程示意图。

图3为本发明实施例提供的一种通过机器学习构建球员带球关系的方法中步骤S103的子步骤的流程示意图。

图4为本发明实施例提供的一种通过机器学习构建球员带球关系的装置的功能模块示意图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在现有的各种运动项目中，对于参与运动的人员的运动能力的评价较为主观和片面。例如，在足球运动中，评价一名球员的能力一般只能根据该球员在比赛或训练过程中的实际表现，虽然比赛或训练中可以统计得到该球员的各种客观数据，例如带球时间、传球次数、助攻次数或射门次数等等，但这些数据只有具有一定经验的人员才具备分析能力，且分析结果会较多的引入分析人员的主观感受。对于一名球员在场上适合什么位置也只能是教练人员结合经验进行主观分析，无法客观的判断一名球员在场上适合什么位置。

由于定位技术获取到的数据量大，按每秒25次刷新率来预估，单个球员一场90分钟的比赛所积累下来的离线数据有135000条。按一场正式11人制比赛，单个球队22名球员来估算，每场比赛将获取5940000条球员数据。如此大的数据量，需要一种算法来有效地提取出系统关注的数据，为教练、球员提供丰富的数据参考。

目前采用的数据分析方式主要是经验参数法，通过构建数学函数，并设定固定的参数来判定带球状态。这样的方式能达到80％以上的正确率，但准确率会成为平台的瓶颈，面对海量的比赛数据，解算的性能瓶颈也会对平台带来制约。

有鉴于此，本申请实施例体提供了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。超宽带定位系统可以在足球场上布置多个定位基站，并建立与足球场相对应的电子地图。在进行足球比赛或训练时，可以为预先确定的每个球员佩戴球员标签，并在系统中建立与每个球员标签对应的标签信息。定位基站可以通过对球员标签位置信息的解算，确定每个时刻每个球员在足球场上的位置坐标。同理，比赛或训练使用的足球上也配置足球标签，定位基站可以通过对足球标签位置信息的结算，确定每个时刻该足球在足球场上的位置坐标。

在一场足球比赛中，比赛场地中仅要求使用一枚足球，为了实现更准确确定球员与足球的带球关系，超宽带定位系统仅计算位于场上处于比赛使用状态的足球的位置信息。同时，超宽带定位系统仅计算位于场上处于比赛状态的球员的位置信息。在出现更换比赛用球、更换球员等情况后，可以为新的比赛用球配置足球标签，为更换后的新球员佩戴球员标签，并在系统中更新比赛使用的足球和场上球员的信息。

可以理解的是，本申请实施例中的超宽带定位系统还可以包括同步控制器、服务器等。同步控制器用于控制多个定位基站的定位信号的时间同步，服务器可以用于存储厂商足球和球员的相关信息，并可以对足球和球员的位置信息进行解算。在本申请实施例中，足球标签和球员标签可以被动接收定位基站发送的定位信号，也可以主动发送定位信号。在进行位置信息解算时，可以采用到达时间TOA算法或到达时间差算法TDOA算法等，本申请实施例并不限制足球标签和球员标签的信号接收发送方式，也不限制位置解算使用的算法。

如图1所示，该通过机器学习构建球员带球关系的方法包括以下步骤。

步骤S101，分别确定所述球员标签和足球标签的位置坐标数据。

在构建球员与足球的关系模型时，需要确定比赛、训练过程中，场上所有球员和比赛训练用球的位置坐标，由于比赛训练过程中，球员和足球在场上的位置实时变化，需要确定每个时刻球员和足球的位置坐标。确定的每个时刻之间的时长间隔可以根据实际情况确定，例如，可以每隔1秒计算场上足球和球员的位置坐标。

步骤S102，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。

在解算得到了足球和球员的位置坐标后，可以根据足球和球员的位置坐标计算距离足球最近的球员，也就是确定距离足球标签最近的球员标签。超宽带定位系统可以实时计算出场上所有的球员标签与足球标签的距离，再通过计算得到的距离进行排序，确定距离足球标签最近的球员标签。通过超宽带定位系统精度可以达到厘米级的定位，可以准确的确定球员与足球的距离。可以理解的是，由于球员和足球在场上的位置可以实时变化，超宽带定位系统也实时计算每个时刻球员标签与足球标签之间的距离，并确定每个时刻距离足球标签最近的球员标签。在本申请实施例中，确定距离足球标签最近的球员标签，是由于在足球比赛中，足球与球员的距离很近的话，表明该球员正在触球带球。如果同一时刻距离足球很近的球员有多个，表明这多个球员在争抢足球。通过确定距离足球最近的球员，可以确定该球员的实际带球状态，并且通过分析球员在场上带球的位置分布，可以确定该球员在球队中的角色。例如，通过分析某一个球员距离足球最近时在场上的位置，发现该球员经常在本方后场带球，表明该球员在球队中很可能是处于后卫的角色。或者发现该球员经常在本方后场带球的话，也表明该球员更适合担任后卫的角色。

详细的，如图2所示，可以通过以下子步骤确定每个时刻距离足球标签最近的球员标签。

子步骤S121，将所述位置坐标数据转换为数据矩阵。

在实际的数据处理过程中，可以使用Python程序获得足球标签和球员标签在多个时刻的原始位置坐标数据，可以将足球标签的位置坐标数据转换为对应的数据矩阵，将球员标签的位置坐标数据转换为对应的数据矩阵。可以理解的是，在转换为矩阵数据后，可以对数据矩阵进行数据清理，将数据矩阵中非常明显的脏数据清除。球员标签对应的位置坐标数据转换得到的数据矩阵，可以是与每个球员对应的数据矩阵。

子步骤S122，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。

在本申请实施例中，可以针对足球场的实际尺寸建立对应的坐标系，球员标签每个时刻在场上的位置信息可以转换为坐标系中的坐标数据。例如，某球员对应的球员矩阵中可以包括每个时刻在坐标系中的x轴坐标、z轴坐标。

子步骤S123，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。

相应的，与足球对应的足球矩阵中可以包含该足球每个时刻在坐标系中的x轴坐标、z轴坐标。

子步骤S124，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。

在分别建立的球员矩阵和足球矩阵后，可以对球员矩阵和足球矩阵采用以下公式计算球员与足球的距离。计算公式为

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。

通过上述计算方式，可以计算出某一时刻所有球员与足球的距离。

子步骤S125，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。

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)。

在实施时，还可以采用其他函数进行距离最小的判定。

步骤S103，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。

详细的，如图3所示，包括子步骤S131，构建每个球员的带球函数。

子步骤S132，根据所述带球函数，建立所述球员在n时刻的带球数据的数学模型，

在确定某一球员是否处于带球状态，可以确定该球员与足球的距离、判断该球员与足球之间的方向夹角以及该球员与足球接触的时长等因素。在本申请实施例中，为了简化带球数据的数学模型，将球员与足球的距离作为判定标准，即距离足球最近的球员为带球球员。对于某一球员来说，如果某一时刻该球员与足球之间的距离在全场所有球员与足球的距离中为最小，即该球员与足球的距离最近，表明该时刻该球员是处于带球状态。

球员的带球函数可以用y＝f(x)而言，判定当前时刻的带球状态受其前n-1个时刻t_n-1,t_n-2,t_n-3,…,t₀的带球函数影响，且影响因子受时间变化递减，因此设定球员在n时刻的带球模型为：

F_n＝∑αiF_i(x)，其中i＝n-1,n-2,…,0。

步骤S104，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。

详细的，可以通过Lagrange拉格朗日插值法对带球数据进行平滑处理。已知球员带球函数y＝f(x)在n+1个不同时刻t₀,t₁,t₂,t₃,…,t_n处的函数y₀,y₁,y₂,y₃,…,y_n(即该函数过(x₀,y₀),(x₁,y₁),…,(x_n,y_n)这n+1个点)，则可以考虑构造一个过这n+1个点的、次数不超过n的多项式y＝P_n(x)，使其满足P_n(x_k)＝y_k,k＝0,1,…,n。要估计任一点ξ，ξ≠x_i,i＝0,1,2,…,n,则可以用P_t(ξ)的值作为准确值F_t(ξ)的近似值。

把插值结果作为新矩阵存储，并与原矩阵进行插值前后数据对比，可以看到明显的数据平滑效果。因此，更新数学模型为：

P_n(x_i)＝P_n-1+β(F_n-1(x_i)-P_n-1(x_i))

其中，F_n(x_i)为步骤S103中数学模型，误差调整的速度由平滑常数β来决定。平滑常数越接近于0，则预测误差调整的速度越慢(越平滑)。相反地，平滑常数越接近于1，则反差越大，平滑程度越小。

步骤S105，通过预设机器学习算法，校准所述数学模型。

本申请实施例选用监督学习(Supervised Learning)的方式，旨在通过不断地训练将预测结果不断优化。将所述更新数学模型的值作为训练样本，通过监督学习过程建立分类器，再将步骤S103中的数学模型的值作为测试样本去分类，从而不断校准人球关系的数学模型。使得平均绝对误差值(Mean Absolute Percentage Error，MAPE)越小越好。

可以理解的是，在本申请实施例中采用的机器学习算法不仅仅限于监督学习算法，也可以其他形式的机器学习算法，本申请实施例并不限制预设机器学习算法的具体形式。

通过上述构建带球关系的方法，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。

本申请实施例中通过机器学习来构建判定球员带球的数学模型，实现了大数据分析在足球运动中的运用，将大数据分析与超宽带定位技术进行了深度融合。结合UWB技术与大数据深度融合，通过对人、球的实时精准定位，解决足球运动中定位不准确、高速运动中的足球没法高速定位、定位数据没有参考价值的市场现状。为球员及教练提供科学且客观的运动数据参考，也为球员运动生涯提供成长数据跟踪。

在另一具体实施方式中，所述超宽带定位系统还包括运维平台，所述运维平台用于记录比赛现场的比赛数据。该运维平台可以在多种终端上运行，通过该运维平台，足球比赛、训练过程中，平台运维人员或裁判人员可以实时根据场上的情况进行数据的管理。例如，通过该运维平台可以展示当前的比赛训练页面，可以将场上不同球队的不同球员的姓名、球衣号码等信心进行展示，在场上出现换人、射门进球、传球等情况时，可以通过该运维平台记录，实现对真实的人球关系的记录和捕捉。同时，通过该运维平台的数据可以对球员的运动状态进行记录和分析。

如图4所示，本发明实施例还提供了一种通过机器学习构建球员带球关系的装置100，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装置100包括：

数据获取模块101，用于分别确定所述球员标签和足球标签的位置坐标数据；

距离确定模块102，用于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；

模型建立模块103，用于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；

数据处理模块104，用于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；

机器学习模块105，用于通过预设机器学习算法，校准所述数学模型。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.一种通过机器学习构建球员带球关系的方法，其特征在于，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，其中，所述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：

构建每个球员的带球函数y＝F(x)，其中，x表示球员与足球之间处于带球状态或者非带球状态；

根据所述带球函数，建立所述球员在n时刻的带球数据的数学模型F_n为：

F_n＝∑α_iF_i(x_i)，其中，i＝n-1,n-2,…,0；F_i(x_i)表示球员在第i时刻的带球函数，α_i为表示第i时刻的带球函数所对应的权值；

通过拉格朗日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；

根据过滤掉所述噪点数据后的带球数据对所述带球数据的数学模型进行更新，得到更新后的带球数据的数学模型P_n(x_i)为：

P_n(x_i)＝P_n-1(x_i)+β(F_n-1-P_n-1(x_i))，其中，F_n-1为所述带球数据的数学模型，β为平滑常数；

通过预设机器学习算法，校准所述更新后的带球数据的数学模型。

2.根据权利要求1所述的通过机器学习构建球员带球关系的方法，其特征在于，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。

3.根据权利要求2所述的通过机器学习构建球员带球关系的方法，其特征在于，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，σ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。

4.根据权利要求2所述的通过机器学习构建球员带球关系的方法，其特征在于，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。

5.根据权利要求1所述的通过机器学习构建球员带球关系的方法，其特征在于，通过预设机器学习算法，校准所述更新后的带球数据的数学模型的步骤包括：

将所述更新后的带球数据的数学模型的值作为训练样本通过监督学习建立分类器；

将所述带球数据的数学模型的值作为测试样本利用所述分类器进行分类，校准所述更新后的带球数据的数学模型。

6.根据权利要求1所述的通过机器学习构建球员带球关系的方法，其特征在于，所述超宽带定位系统还包括运维平台，所述运维平台用于记录比赛现场的比赛数据。

7.一种通过机器学习构建球员带球关系的装置，其特征在于，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装置包括：

数据获取模块，用于分别确定所述球员标签和足球标签的位置坐标数据；

距离确定模块，用于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；

模型建立模块，用于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；其中，所述模型建立模块通过如下方式建立所述带球数据的数学模型：

构建每个球员的带球函数y＝F(x)，其中，x表示球员与足球之间处于带球状态或者非带球状态；

根据所述带球函数，建立所述球员在n时刻的带球数据的数学模型F_n为：

F_n＝∑α_iF_i(x_i)，其中，i＝n-1,n-2,…,0；F_i(x_i)表示球员在第i时刻的带球函数，α_i为表示第i时刻的带球函数所对应的权值；

数据处理模块，用于通过拉格朗日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，其中，所述数据处理模块根据过滤掉所述噪点数据后的带球数据对所述带球数据的数学模型进行更新，得到更新后的带球数据的数学模型P_n(x_i)为：

P_n(x_i)＝P_n-1(x_i)+β(F_n-1-P_n-1(x_i))，其中，F_n-1为所述带球数据的数学模型，β为平滑常数；

机器学习模块，用于通过预设机器学习算法，校准所述更新后的带球数据的数学模型。

8.一种通过机器学习构建球员带球关系的系统，其特征在于，包括超宽带定位系统及服务器，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，其中，所述服务器包括：

数据获取模块，用于分别确定所述球员标签和足球标签的位置坐标数据；

距离确定模块，用于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；

模型建立模块，用于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，其中，所述模型建立模块通过如下方式建立所述带球数据的数学模型：

构建每个球员的带球函数y＝F(x)，其中，x表示球员与足球之间处于带球状态或者非带球状态；

根据所述带球函数，建立所述球员在n时刻的带球数据的数学模型为：

F_n＝∑α_iF_i(x_i)，其中，i＝n-1,n-2,…,0；F_i(x_i)表示球员在第i时刻的带球函数，α_i为表示第i时刻的带球函数所对应的权值；

数据处理模块，用于通过拉格朗日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，其中，所述数据处理模块根据过滤多掉所述噪点数据后的带球数据对所述带球数据的数学模型进行更新，得到更新后的带球数据的数学模型P_n(x_i)为：

P_n(x_i)＝P_n-1(x_i)+β(F_n-1-P_n-1(x_i))，其中，F_n-1为所述带球数据的数学模型，β为平滑常数；

机器学习模块，用于通过预设机器学习算法，校准所述更新后的带球数据的数学模型。

Images