CN109993371B - 预测赛道人流分布情况的方法、装置、系统及存储介质 - Google Patents

预测赛道人流分布情况的方法、装置、系统及存储介质 Download PDF

Info

Publication number
CN109993371B
CN109993371B CN201910285410.8A CN201910285410A CN109993371B CN 109993371 B CN109993371 B CN 109993371B CN 201910285410 A CN201910285410 A CN 201910285410A CN 109993371 B CN109993371 B CN 109993371B
Authority
CN
China
Prior art keywords
historical
competition
track
type
scores
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910285410.8A
Other languages
English (en)
Other versions
CN109993371A (zh
Inventor
常春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Runaway Science And Technology Chengdu Co ltd
Original Assignee
Runaway Science And Technology Chengdu Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Runaway Science And Technology Chengdu Co ltd filed Critical Runaway Science And Technology Chengdu Co ltd
Priority to CN201910285410.8A priority Critical patent/CN109993371B/zh
Publication of CN109993371A publication Critical patent/CN109993371A/zh
Application granted granted Critical
Publication of CN109993371B publication Critical patent/CN109993371B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种预测赛道人流分布情况的方法、装置、系统及存储介质，该方法包括：确定历史比赛的赛道类型；计算第一类转化系数和第二类转化系数；从历史比赛数据中，提取历史参赛选手的年龄，以及历史成绩对从未参加过比赛的选手随机分配预估成绩；对于参加过历史比赛的选手，根据每一位参加过比赛的选手的历史成绩，第一类转化系数和/或第二类转化系数，确定预估成绩；根据预估成绩，预测赛道人流分布情况。通过该种方式，可以更加精准细致地预测赛道人流情况，从而对赛道的规划起到很大的帮助。

Description

预测赛道人流分布情况的方法、装置、系统及存储介质
技术领域
本发明实施例涉及数据处理技术领域，具体涉及一种预测赛道人流分布情况的方法、装置、系统及存储介质。
背景技术
对于马拉松、越野跑等长距离竞速的体育赛事，由于其参赛人数多，距离长，因此需要对赛道进行合理的规划，以保证比赛过程的安全、有序。而在赛道规划的过程中，如果能提前预知参赛选手在该赛道上的分布情况，则能对赛道的规划起到很大的帮助。
现有技术中对赛道人流分布预估的方法，通常是凭借个人经验或者根据平均配速来确定。人工经验的方式存在结果过于主观，准确性不高，且无法规模推广的缺点。使用平均配速的方式存在如下几个缺点：一是，由于选手在实际比赛中并不会一直保持同一种速度，因此使用平均配速计算得到的结果和实际情况会有很大的误差；二是，该方法只能得到预设的几个关键点的人流情况，无法对赛道的整体人流情况做出判断。
发明内容
为此，本发明实施例提供一种预测赛道人流分布情况的方法、装置、系统及存储介质，以解决现有技术中无法提高赛道中的人流分布情况的预测精度，进而不能对赛道进行合理规划的技术问题。
为了实现上述目的，本发明实施例提供如下技术方案：
根据本发明实施例的第一方面，提供了一种预测赛道人流分布情况的方法，该方法包括：
获取历史比赛数据；
根据历史比赛数据，确定历史比赛的赛道类型；
确定每一类型赛道上所有历史参赛选手的平均成绩；
根据不同类型赛道之间历史参赛选手平均成绩计算第一类转化系数，第一类转化系数为不同类型赛道对应的平均成绩之间的转化系数；
根据历史比赛数据中每一位历史参赛选手的年龄，以及参赛时的历史成绩，计算第二类转化系数，第二类转化系数为不同年龄组别中平均成绩之间的转化系数；
从历史比赛数据中，提取参加过与本次比赛赛道类型相同的历史参赛选手的年龄，以及每一位历史参赛选手的历史成绩，并按照年龄进行分组，获取h个年龄组；
在第i个年龄组中，按照每一位历史参赛选手的历史成绩，划分为n个级别，计算第j个级别中历史参赛选手数占第i个年龄组中历史参赛选手数的概率值，以及第j个级别中历史参赛选手的平均成绩；
从参加此次比赛的选手中提取出从未参加过比赛的选手，并按照年龄进行分组，获取h个年龄组；
按照参加历史比赛的第i个年龄组中每一个级别所对应的概率值以及每一个级别所对应的平均成绩，将参加此次比赛的第i个年龄组中的选手进行随机分配，获取每一个从未参加过比赛的选手的预估成绩；
从参加此次比赛的选手中提取出参加过历史比赛的选手，根据每一位参加过比赛的选手的历史成绩，第一类转化系数和/或第二类转化系数，确定参加此次比赛的预估成绩；
根据每一位参加此次比赛的选手的预估成绩，模拟所有选手在本次比赛的赛道上的行进路线，预测赛道人流分布情况，其中，h、i和n均为大于或者等于1的正整数，且i为小于或者等于h的正整数。
进一步地，根据历史比赛数据，确定历史比赛的赛道类型之后，方法还包括：
以第一类型赛道的比赛计时点设置方式为基准，在历史比赛中除第一类型赛道以外的其他类型赛道比赛中，按照预设方式调整计时点，预设方式包括如下中的一种或多种：新增或者删减；
且，当在历史比赛中除第一类型赛道的比赛之外的其他类型赛道的比赛中新增计时点时，按照插值算法对新增计时点的成绩进行填充，以便后续根据更新后的成绩，确定每一类型赛道上所有历史参赛选手的平均成绩；
和/或，以第一类历史参赛选手参加的历史比赛中第一类比赛的计时点设置方式为基准，在历史比赛中除第一类比赛之外的其他类比赛中按照预设方式调整计时点，预设方式包括如下中的一种或多种：新增或者删减；
且，当在历史比赛中除第一类比赛之外的其他类比赛中新增计时点时，按照插值算法对新增计时点的成绩进行填充。
进一步地，根据历史比赛数据中每一位历史参赛选手的年龄，以及参赛时的历史成绩，计算第二类转化系数，具体包括：
依据年龄将每一位历史参赛选手划分至一个年龄组，并根据每一个历史参赛选手更新后的历史比赛成绩，确定每一个年龄组中所有历史参赛选手的平均成绩；
根据不同两个年龄组之间所有历史参赛选手的平均成绩，计算第二类转化系数。
进一步地，根据历史比赛数据，确定历史比赛的赛道类型，具体包括：
根据历史比赛中的天气类型，和/或赛道测绘数据，和/或选手选拔方式，确定历史比赛的赛道类型。
进一步地，在该方法还包括：按照预设规则对新增计时点进行优化。
进一步地，根据每一位参加此次比赛的选手的预估成绩，模拟所有选手在本次比赛的赛道上的行进路线，预测赛道人流分布情况之后，方法还包括：
将赛道人流分布情况以可视化形式进行展示。
根据本发明实施例的第二方面，提供了一种预测赛道人流分布情况的装置，该装置包括：
获取单元，用于获取历史比赛数据；
确定单元，用于根据历史比赛数据，确定历史比赛的赛道类型；
确定每一类型赛道上所有历史参赛选手的平均成绩；
处理单元，用于根据不同类型赛道之间历史参赛选手平均成绩计算第一类转化系数，第一类转化系数为不同类型赛道对应的平均成绩之间的转化系数；
根据历史比赛数据中每一位历史参赛选手的年龄，以及参赛时的历史成绩，计算第二类转化系数，第二类转化系数为不同年龄组别中平均成绩之间的转化系数；
从历史比赛数据中，提取参加过与本次比赛赛道类型相同的历史参赛选手的年龄，以及每一位历史参赛选手的历史成绩，并按照年龄进行分组，获取h个年龄组；
在第i个年龄组中，按照每一位历史参赛选手的历史成绩，划分为n个级别，计算第j个级别中历史参赛选手数占第i个年龄组中历史参赛选手数的概率值，以及第j个级别中历史参赛选手的平均成绩；
从参加此次比赛的选手中提取出从未参加过比赛的选手，并按照年龄进行分组，获取h个年龄组；
按照参加历史比赛的第i个年龄组中每一个级别所对应的概率值以及每一个级别所对应的平均成绩，将参加此次比赛的第i个年龄组中的选手进行随机分配，获取每一个从未参加过比赛的选手的预估成绩；
从参加此次比赛的选手中提取出参加过历史比赛的选手，根据每一位参加过比赛的选手的历史成绩，第一类转化系数和/或第二类转化系数，确定参加此次比赛的预估成绩；
预测单元，用于根据每一位参加此次比赛的选手的预估成绩，模拟所有选手在本次比赛的赛道上的行进路线，预测赛道人流分布情况，其中，h、i和n均为大于或者等于1的正整数，且i为小于或者等于h的正整数。
根据本发明实施例的第三方面，提供了一种预测赛道人流分布情况的系统，该系统包括：处理器和存储器；
存储器用于存储一个或多个程序指令；
处理器，用于运行一个或多个程序指令，用以执行如上一种预测赛道人流分布情况的方法中的任一方法步骤。
根据本发明实施例的第四方面，提供了一种计算机存储介质，该计算机存储介质中包含一个或多个程序指令，一个或多个程序指令用于被一种预测赛道人流分布情况的系统执行如上一种预测赛道人流分布情况的方法中的任一方法步骤。
本发明实施例具有如下优点：获取历史比赛数据，对历史比赛的赛道进行分类，且，确定每一类型赛道上所有历史参赛选手的平均成绩，进而确定不同类型赛道的历史参赛选手平均成绩之间的转化系数，也即是第一类转化系数；再根据历史比赛数据中每一位历史参赛选手的年龄，以及参赛时的历史成绩，计算第二类转化系数。从参加此次比赛的选手中提取参加过历史比赛的选手，按照转化系数最少的选择，确定每一位选手的历史平均成绩作为最终的预估成绩。从参加此次比赛的选手中，提取出从未参加过历史比赛的选手，按照年龄分组，然后为每一个年龄组的选手随机分配预估成绩，其预估成绩是按照参加过历史比赛的历史参赛选手在不同年龄组中不同级别的概率，以及每一个级别的平均成绩来随机分配的。最终，根据每一位参加此次比赛的选手的预估成绩，模拟其在本次比赛的赛道上的行进路线，预测赛道人流分布情况。通过该种方式，可以更加精准细致地预测赛道人流情况，从而对赛道的规划起到很大的帮助。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例1提供的一种预测赛道人流分布情况的方法流程示意图；
图2为本发明提供的一种赛道人流分布情况以热力图的形式进行展示的示意图；
图3为本发明提供的一种赛道人流分布情况以三维模型图的形式进行展示的示意图；
图4为本发明实施例2提供的一种预测赛道人流分布情况的装置结构示意图；
图5为本发明实施例3提供的一种预测赛道人流分布情况的系统结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
本发明实施例1提供了一种预测赛道人流分布情况的方法，具体如图1所示，该方法步骤如下：
步骤110，获取历史比赛数据。
具体的，历史比赛数据可以包括比赛时间、比赛人数、赛道类型、比赛时的温度、风速数据、湿度、赛道测绘数据、历史参赛选手身份信息(例如编号、姓名、身份证号等信息)、参加比赛时选手年龄以及参加比赛时的历史成绩等等有关比赛的数据。
步骤120，根据历史比赛数据，确定历史比赛的赛道类型。
具体的，影响赛道类型的因素很多，因此根据参数的不同，赛道类型的分类也不尽相同。在一个具体例子中，可以根据历史比赛中的天气类型，和/或赛道测绘数据，和/或选手选拔方式，确定历史比赛的赛道类型。
例如，如果风速数据、温度数据和湿度数据统一规类为天气类型，那么可以包括如下三种：
1、当比赛时的气温在5～15℃，湿度在50～60％之间，风速在1.6～5.5米/秒时为优秀天气。2、当比赛时的天气不满足第1条，且气温在0～21℃，湿度在40～70％之间，风速在0～8米/秒时为适宜天气。3、当比赛时的天气不满足第1种和第2种时，为不佳天气。
根据赛道测绘数据，进行划分，可以包括如下几种情况：
根据海拔划分：
a)下降型：赛道起、终点海拔高度差超过每公里1米，且起点高于终点。
b)上升型：赛道起、终点海拔高度差超过每公里1米，且起点低于终点。
c)平缓型：赛道起、终点海拔高度差不超过每公里1米，且所有爬升段的累积上升高度或所有下降段的累积下降的高度不超过每公里80米。
d)起伏型：赛道起、终点海拔高度差不超过每公里1米，且所有爬升段的累积上升高度或所有下降段的累积下降的高度超过每公里80米。
根据地面划分：又包括公路、山地和塑胶等类型。
根据选手选拔划分：包括随机抽签选拔、根据历史成绩选拔或者组队报名等方式。
那么，通过如上所介绍的方式进行随机组合，就可以匹配出多种赛道类型。
步骤130，确定每一类型赛道上所有历史参赛选手的平均成绩。
步骤140，根据不同类型赛道之间历史参赛选手平均成绩计算第一类转化系数。
步骤150，根据历史比赛数据中每一位历史参赛选手的年龄，以及参赛时的历史成绩，计算第二类转化系数。
具体的，由于历史比赛中，比赛计时点设置方式不同，即使同一个人同一个年龄时候所参加的两场比赛，其比赛成绩的记录点的位置也不会完全一致。因此，需要以第一类历史参赛选手参加的历史比赛中第一比赛的计时点设置方式为基准，在历史比赛中除第一类比赛之外的其他类比赛中按照预设方式调整计时点，预设方式包括如下中的一种或多种：新增或者删减；且，当在历史比赛中除第一类比赛之外的其他类比赛中新增计时点时，按照插值算法对新增计时点的成绩进行填充。
也即是，例如第一类型赛道上的历史参赛选手参加的第一类型赛道的比赛时候每隔5公里计时一次，而第二类型赛道的比赛时，是每隔10公里计时一次，那么如果以第一类型赛道的比赛为计时点设置方式为基准的话，第二类型赛道的比赛中就缺少第一历史参赛选手到达5公里时的计时，需要新增计时点。或者，如果以第二类型赛道的比赛中的计时点设置方式为基准，那么第一类型赛道的比赛中多了5公里计时的数据，则需要对计时点进行删除。
如果是新增计时点，则可以按照插值算法对新增计时点的成绩进行填充。当然，再执行上述过程中，需要对除第一类型赛道的比赛以外的其他类型赛道的比赛中每一位参赛选手分别按照自己的成绩进行相应的调整。例如，新增计时点。
在一个具体例子中，例如第一赛道类型为平缓型，具体如表1所示：
10km 20km 30km 40km 43km
张三 1h 2h 3h 4h 4h20m
李四 50m 1h40m 2h30m 3h20m 4h05m
王五 1h15m 2h20m 3h40m 4h35m 5h
赵六 1h05m 2h 3h20m 4h55m 6h
张三 55m 1h55m 2h30m 4h45m 5h05m
王五 1h 2h05m 2h50m 4h55m 5h30m
赵六 55m 2h 2h15m 4h10m 4h55m
孙七 40m 1h55m 2h55m 4h 4h20m
表1
而第二类型赛道为起伏型，其参赛选手的历史参赛数据如表2所示：
10km 20km 30km 40km 43km
张三 2h50m 2h35m 3h15m 4h10m 4h35m
王五 3h 2h45m 3h50m 5h15m 6h10m
赵六 2h55m 2h30m 3h50m 4h55m 5h20m
薛八 3h30m 3h05 4h20m 6h05m 6h55m
表2
分别确定上述两种类型赛道上所有历史参赛选手的平均成绩，如表3所示：
10km 20km 30km 40km 43km
平缓 55m 2h05m 3h10m 4h25m 5h25m
起伏 2h35m 2h25m 4h 5h15m 6h15m
最终，根据这两种类型赛道之间参赛选手平均成绩计算第一类转化系数，具体如表3所示：
Figure BDA0002023111220000091
表3
而在计算第二类型转化系数时，具体可以包括：依据年龄将每一位历史参赛选手划分至一个年龄组，并根据每一个历史参赛选手更新后的历史比赛成绩，确定每一个年龄组中所有历史参赛选手的平均成绩；
根据不同两个年龄组之间所有历史参赛选手的平均成绩，计算第二类转化系数。
可选的，不论在计算第一类型转化系数还是第二类型转化系数之前，还需要执行一定的预处理。例如，以第一类型赛道的比赛计时点设置方式为基准，在历史比赛中除第一类型赛道以外的其他类型赛道比赛中，按照预设方式调整计时点，预设方式包括如下中的一种或多种：新增或者删减；
且，当在历史比赛中除第一类型赛道的比赛之外的其他类型赛道的比赛中新增计时点时，按照插值算法对新增计时点的成绩进行填充，以便后续根据更新后的成绩，确定每一类型赛道上所有历史参赛选手的平均成绩；
和/或，以第一类历史参赛选手参加的历史比赛中第一类比赛的计时点设置方式为基准，在历史比赛中除第一类比赛之外的其他类比赛中按照预设方式调整计时点，预设方式包括如下中的一种或多种：新增或者删减；
且，当在历史比赛中除第一类比赛之外的其他类比赛中新增计时点时，按照插值算法对新增计时点的成绩进行填充。
在本申请文件中，以在计算第二类型转化系数之前的预处理过程为例进行说明：
上文中第一类选手可以是共同参加同一类型比赛的选手，例如共同参加北京马拉松比赛的选手，又或者是同一年龄段内的选手等等。
在历史比赛中除第一类比赛之外的比赛中新增计时点，按照插值算法对新增计时点的成绩进行填充之后，方法还包括：按照预设规则对新增计时点进行优化。
预设规则需要遵循以下限定条件：两个原始记录的计时点间的总耗时保持不变。两个临近的计时点，如果至少其中一个计时点是新增的，且计时点间的赛道类型属于爬升型，则适度增加采样点间的耗时。两个临近的计时点，如果至少其中一个计时点是新增的，且计时点间的赛道类型属于下降型，则适度减少采样点间的耗时。耗时的增加和减少幅度根据经验至少满足以下两个条件：
a.耗时变化的幅度和赛道累积高度爬升和下降的差值的绝对值幅度成正比。b.耗时变化导致的两个临近计时点间选手的平均配速变化幅度不能超过一定的阀值。
在一个具体的例子中，1、定义计时点1和计时点2为数据库中第一历史参赛选手参加第二比赛时的真实历史成绩，且第一历史参赛选手从计时点1移动到计时点2时的用时为t。2、定义新增点1和新增点2为根据插值算法计算后，得到的两个估计的成绩。3、定义选手从计时点1到移动到新增点1的用时为t1。选手从新增点1到移动到新增点2的用时为t2。选手从新增点2到移动到计时点2的用时为t3。
假设根据海拔划分：计时点1到移动到新增点1间的赛道类型为上升型。新增点1到移动到新增点2间的赛道类型为下降型。从新增点2到移动到计时点2的赛道类型为起伏型。
定义计时点1与新增点1间海拔落差为h1。
定义新增点1和新增点2间海拔落差为h2。
定义计时点1到移动到新增点1间的赛道长度为s1。
定义新增点1到移动到新增点2间的赛道长度为s2。
根据统计和实际经验得阀值l＝0.163。
因此，微调满足公式：
Figure BDA0002023111220000111
其中：从原始数据可以的到t、s1、s2、h1、h2。通过插值算法可以得到新增点的成绩t1，t2，t3。因此只有c和d是需要通过公式得到的值，且通过该公式得到的值不唯一，因此需要根据经验和在系统实际运行中不断调试得到合适的值。预设的初始值c＝1.15，d＝0.85，其中c为上升系数，d为下降系数。计时点1与新增点1间耗时调整为c×h1×t1，新增点1和新增点2间耗时调整为d×h2×t2。
在一个具体例子中，以共同参加北京马拉松比赛的选手为例(也即是第一类历史参赛选手)，其计时规则和参赛选手成绩等如表4所示：
比赛：北京马拉松，赛道类型：平缓
姓名/年龄 年龄 10km 20km 30km 40km 43km
张三 30 1h 2h 3h 4h 4h20m
李四 30 50m 1h40m 2h30m 3h20m 4h05m
王五 27 1h15m 2h20m 3h40m 4h35m 5h
赵六 27 1h05m 2h 3h20m 4h55m 6h
表4
历史数据中，参加过的马拉松比赛还包括上海马拉松和成都马拉松。其赛道类型均为平缓。
选手参赛成绩参见表5和表6：
姓名/年龄 年龄 15km 30km 43km
张三 31 1h10m 3h30m 5h05m
王五 28 1h20m 3h50m 5h30m
赵六 28 1h05m 3h15m 4h55m
孙七 35 55m 2h55m 4h20m
表5
姓名/年龄 年龄 22km 43km
张三 33 2h50m 4h35m
王五 30 3h 6h10m
赵六 30 2h55m 5h20m
薛八 25 3h30m 6h55m
表6
以表4为基准，对表5和表6分别进行插值和删除等处理后，可以得到表7和表8，参见如下：
姓名/年龄 年龄 10km 20km 30km 40km 43km
张三 31 55m 1h55m 2h30m 4h45m 5h05m
王五 28 1h 2h05m 2h50m 4h55m 5h30m
赵六 28 55m 2h 2h15m 4h10m 4h55m
孙七 35 40m 1h55m 2h55m 4h 4h20m
表7
姓名/年龄 年龄 10km 20km 30km 40km 43km
张三 33 2h50m 2h35m 3h15m 4h10m 4h35m
王五 30 3h 2h45m 3h50m 5h15m 6h10m
赵六 30 2h55m 2h30m 3h50m 4h55m 5h20m
薛八 25 3h30m 3h05 4h20m 6h05m 6h55m
表8
在确定新增计时点后，依据年龄将每一位历史参赛选手划分至一个年龄组，并根据每一个历史参赛选手更新后的历史比赛成绩，确定每一个年龄组中所有历史参赛选手的平均成绩；
根据不同两个年龄组之间所有历史参赛选手的平均成绩，计算第二类转化系数。
具体如表9所示：
Figure BDA0002023111220000131
表9
具体的，在实际执行过程中，考虑到参加历史比赛的历史参赛选手的年龄参差不齐，而相应的历史成绩也各有不同。还可以以某一个年龄差距作为划分年龄组的基准，例如每差一岁，作为一组。如果参赛的年龄从18岁到90岁，那么就可以分为73组了。统计每一年龄组中的平均成绩，不同年龄组的平均成绩之间的比值作为第二类转化系数。
需要说明的是，第一类转化系数或者第二类都是从一个方向计算的，例如第一类转化系数，以第一类型赛道的比赛的历史平均成绩作为分母，用第二类型赛道的比赛的历史平均成绩作为分子，计算第一类转化系数；以第三类型赛道的比赛的历史平均成绩为分子，第二类型赛道的比赛的历史平均成绩作为分母，计算第一类转化系数；或者以第一类型赛道的比赛的历史平均成绩作为分母，其他类型赛道的比赛的历史平均成绩作为分子计算第一类转化系数。
例如，在相邻两组年龄组之间，以小年龄组的平均成绩作为分母，大年龄组的平均成绩作为分子，计算第二类转化系数。当然，这里仅仅是提出一种可能性，具体怎么计算转化系数，完全可以根据实际情况设定规则，这里不做过多举例说明。
步骤160，从历史比赛数据中，提取参加过与本次比赛赛道类型相同的历史参赛选手的年龄，以及每一位历史参赛选手的历史成绩，并按照年龄进行分组，获取h个年龄组。
步骤170，在第i个年龄组中，按照每一位历史参赛选手的历史成绩，划分为n个级别，计算第j个级别中历史参赛选手数占第i个年龄组中历史参赛选手数的概率值，以及第j个级别中历史参赛选手的平均成绩。
举例而言，可以根据历史成绩将每一个年龄组的所有历史参赛选手进行等级划分，例如跑的快的、一般的和跑的慢的三个等级。
历史成绩在第一范围内的，为跑的快的，历史成绩在第二范围内的，为跑的一般的，历史成绩为第三范围的，为跑的慢的。然后统计跑的快的人数占年龄组总人数的比值，作为该年龄组人跑的快的概率，同样的道理计算出跑的一般的概率和跑的慢的概率。还要计算出跑的快的人中平均成绩，跑的一般的人中的平均成绩，以及跑的慢的人中平均成绩。
步骤180，从参加此次比赛的选手中提取出从未参加过比赛的选手，并按照年龄进行分组，获取h个年龄组。
步骤190，按照参加历史比赛的第i个年龄组中每一个级别所对应的概率值以及每一个级别所对应的平均成绩，将参加此次比赛的第i个年龄组中的选手进行随机分配，获取每一个从未参加过比赛的选手的预估成绩。
步骤195，从参加此次比赛的选手中提取出参加过历史比赛的选手，根据每一位参加过比赛的选手的历史成绩，第一类转化系数和/或第二类转化系数，确定参加此次比赛的预估成绩。
也即是说，对于没有参加过比赛的人而言，他们的成绩并没有任何历史数据可以作为评判依据。那么，可以参考与这些没有参加过比赛的人相同年龄段，且与本次比赛赛道类型相同的历史参赛选手的成绩进行预估。
再预估中，目的并不在于这些人所能跑出的成绩到底要多精确，而是要预测多少人可以跑的快一些，多少人跑的一般，多少人会跑的慢。那么，就可按照同年龄段的历史参赛选手参赛时跑的快的概率，乘以参加本次比赛的同年龄段总人数，作为本次比赛中该年龄段可能跑得快的总人数，随机从该年龄段汇中没有参加过比赛的人中抽取出可能跑的快的总人数的选手，并为他们设定跑得快的平均成绩。类似的到底，计算出可能跑的一般的总人数，然后随机的分配到相应的人上，并为他们设定跑的一般的平均成绩，随机抽取后，剩下的人就是跑的慢的人，为他们设定跑的慢的平均成绩。
当然，这里设定的成绩并非是参加此次比赛的选手的真实成绩，而是预估成绩，预估成绩仅仅是作为后续对赛道的人流分布进行预测时作为参考依据而已。因此，至于谁设定跑的快、谁设定跑的慢对于选手而言并不会受到任何影响。
最终，步骤200，根据每一位参加此次比赛的选手的预估成绩，模拟所有选手在本次比赛的赛道上的行进路线，预测赛道人流分布情况。
其中，h、i和n均为大于或者等于1的正整数，且i为小于或者等于h的正整数。
可选的，在执行完步骤200之后，该方法还可以包括：将赛道人流分布情况以可视化形式进行展示。具体如图2所示，图2中示出了2018年伦敦马拉松赛道人流分布以热力图的形式进行展示的示例，其中横轴表示赛道，单位千米；纵轴表示时间，单位10分钟；颜色表示赛道上的人流密集程度。图3示出了以三维模型图的形式展示2017年福州马拉松赛道人流分布图示例，其中0到400是时间，单位分钟；0到40是赛道长度，单位公里；0到800是赛道人流密集程度。
本发明实施例提供的一种预测赛道人流分布情况的方法，获取历史比赛数据，对历史比赛的赛道进行分类，且，确定每一类型赛道上所有历史参赛选手的平均成绩，进而确定不同类型赛道的历史参赛选手平均成绩之间的转化系数，也即是第一类转化系数；再根据历史比赛数据中每一位历史参赛选手的年龄，以及参赛时的历史成绩，计算第二类转化系数。从参加此次比赛的选手中提取参加过历史比赛的选手，按照转化系数最少的选择，确定每一位选手的历史平均成绩作为最终的预估成绩。从参加此次比赛的选手中，提取出从未参加过历史比赛的选手，按照年龄分组，然后为每一个年龄组的选手随机分配预估成绩，其预估成绩是按照参加过历史比赛的历史参赛选手在不同年龄组中不同级别的概率，以及每一个级别的平均成绩来随机分配的。最终，根据每一位参加此次比赛的选手的预估成绩，模拟其在本次比赛的赛道上的行进路线，预测赛道人流分布情况。通过该种方式，可以更加精准细致地预测赛道人流情况，从而对赛道的规划起到很大的帮助。
与上述实施例1对应的，本发明实施例2还提供了一种预测赛道人流分布情况的装置，具体如图4所示，该装置包括：获取单元201、确定单元202、处理单元203以及预测单元204。
获取单元201，用于获取历史比赛数据；
确定单元202，用于根据历史比赛数据，确定历史比赛的赛道类型；
确定每一类型赛道上所有历史参赛选手的平均成绩；
处理单元203，用于根据不同类型赛道之间历史参赛选手平均成绩计算第一类转化系数，第一类转化系数为不同类型赛道对应的平均成绩之间的转化系数；
根据历史比赛数据中每一位历史参赛选手的年龄，以及参赛时的历史成绩，计算第二类转化系数，第二类转化系数为不同年龄组别中平均成绩之间的转化系数；
从历史比赛数据中，提取参加过与本次比赛赛道类型相同的历史参赛选手的年龄，以及每一位历史参赛选手的历史成绩，并按照年龄进行分组，获取h个年龄组；
在第i个年龄组中，按照每一位历史参赛选手的历史成绩，划分为n个级别，计算第j个级别中历史参赛选手数占第i个年龄组中历史参赛选手数的概率值，以及第j个级别中历史参赛选手的平均成绩；
从参加此次比赛的选手中提取出从未参加过比赛的选手，并按照年龄进行分组，获取h个年龄组；
按照参加历史比赛的第i个年龄组中每一个级别所对应的概率值以及每一个级别所对应的平均成绩，将参加此次比赛的第i个年龄组中的选手进行随机分配，获取每一个从未参加过比赛的选手的预估成绩；
从参加此次比赛的选手中提取出参加过历史比赛的选手，根据每一位参加过比赛的选手的历史成绩，第一类转化系数和/或第二类转化系数，确定参加此次比赛的预估成绩；
预测单元204，用于根据每一位参加此次比赛的选手的预估成绩，模拟所有选手在本次比赛的赛道上的行进路线，预测赛道人流分布情况，其中，h、i和n均为大于或者等于1的正整数，且i为小于或者等于h的正整数。
可选的，处理单元203具体用于，按照历史参赛选手的年龄对所有历史参赛选手进行分组，并统计每一组历史参赛选手的平均成绩，计算不同组别历史参赛选手的平均成绩之间的转化系数，并定义为第二类转化系数。
可选的，处理单元203还用于，以第一类型赛道的比赛计时点设置方式为基准，在历史比赛中除第一类型赛道以外的其他类型赛道比赛中，按照预设方式调整计时点，预设方式包括如下中的一种或多种：新增或者删减；
且，当在历史比赛中除第一类型赛道的比赛之外的其他类型赛道的比赛中新增计时点时，按照插值算法对新增计时点的成绩进行填充，以便后续根据更新后的成绩，确定每一类型赛道上所有历史参赛选手的平均成绩；
和/或，以第一类历史参赛选手参加的历史比赛中第一类比赛的计时点设置方式为基准，在历史比赛中除第一类比赛之外的其他类比赛中按照预设方式调整计时点，预设方式包括如下中的一种或多种：新增或者删减；
且，当在历史比赛中除第一类比赛之外的其他类比赛中新增计时点时，按照插值算法对新增计时点的成绩进行填充。
可选的，处理单元203具体用于，依据年龄将每一位历史参赛选手划分至一个年龄组，并根据每一个历史参赛选手更新后的历史比赛成绩，确定每一个年龄组中所有历史参赛选手的平均成绩；
根据不同两个年龄组之间所有历史参赛选手的平均成绩，计算第二类转化系数。
可选的，确定单元202具体用于，根据历史比赛中的天气类型，和/或赛道测绘数据，和/或选手选拔方式，确定历史比赛的赛道类型。
可选的，处理单元203还用于，按照预设规则对新增计时点进行优化。
可选的，该装置还包括：显示单元205，用于将赛道人流分布情况以可视化形式进行展示。
本发明实施例提供的一种预测赛道人流分布情况的装置中各部件所执行的功能均已在上述实施例1中做了详细介绍，因此这里不做过多赘述。
本发明实施例提供的一种预测赛道人流分布情况的装置，获取历史比赛数据，对历史比赛的赛道进行分类，且，确定每一类型赛道上所有历史参赛选手的平均成绩，进而确定不同类型赛道的历史参赛选手平均成绩之间的转化系数，也即是第一类转化系数；再根据历史比赛数据中每一位历史参赛选手的年龄，以及参赛时的历史成绩，计算第二类转化系数。从参加此次比赛的选手中提取参加过历史比赛的选手，按照转化系数最少的选择，确定每一位选手的历史平均成绩作为最终的预估成绩。从参加此次比赛的选手中，提取出从未参加过历史比赛的选手，按照年龄分组，然后为每一个年龄组的选手随机分配预估成绩，其预估成绩是按照参加过历史比赛的历史参赛选手在不同年龄组中不同级别的概率，以及每一个级别的平均成绩来随机分配的。最终，根据每一位参加此次比赛的选手的预估成绩，模拟其在本次比赛的赛道上的行进路线，预测赛道人流分布情况。通过该种方式，可以更加精准细致地预测赛道人流情况，从而对赛道的规划起到很大的帮助。
与上述实施例相对应的，本发明实施例3还提供了一种预测赛道人流分布情况的系统，具体如图5所示，该系统包括：处理器301和存储器302；
存储器302用于存储一个或多个程序指令；
处理器301，用于运行一个或多个程序指令，用以执行如上实施例所介绍的一种预测赛道人流分布情况的方法中的任一方法步骤。
可选的，该系统还可以包括显示器303，用于将赛道人流分布情况以可视化形式进行展示。
本发明实施例提供的一种预测赛道人流分布情况的系统，获取历史比赛数据，对历史比赛的赛道进行分类，且，确定每一类型赛道上所有历史参赛选手的平均成绩，进而确定不同类型赛道的历史参赛选手平均成绩之间的转化系数，也即是第一类转化系数；再根据历史比赛数据中每一位历史参赛选手的年龄，以及参赛时的历史成绩，计算第二类转化系数。从参加此次比赛的选手中提取参加过历史比赛的选手，按照转化系数最少的选择，确定每一位选手的历史平均成绩作为最终的预估成绩。从参加此次比赛的选手中，提取出从未参加过历史比赛的选手，按照年龄分组，然后为每一个年龄组的选手随机分配预估成绩，其预估成绩是按照参加过历史比赛的历史参赛选手在不同年龄组中不同级别的概率，以及每一个级别的平均成绩来随机分配的。最终，根据每一位参加此次比赛的选手的预估成绩，模拟其在本次比赛的赛道上的行进路线，预测赛道人流分布情况。通过该种方式，可以更加精准细致地预测赛道人流情况，从而对赛道的规划起到很大的帮助。
与上述实施例相对应的，本发明实施例还提供了一种计算机存储介质，该计算机存储介质中包含一个或多个程序指令。其中，一个或多个程序指令用于被一种预测赛道人流分布情况的系统执行如上所介绍的一种预测赛道人流分布情况的方法。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种预测赛道人流分布情况的方法，其特征在于，所述方法包括：
获取历史比赛数据；
根据所述历史比赛数据，确定历史比赛的赛道类型；
确定每一类型赛道上所有历史参赛选手的平均成绩；
根据不同类型赛道之间历史参赛选手平均成绩计算第一类转化系数，所述第一类转化系数为不同类型赛道对应的平均成绩之间的转化系数；
根据历史比赛数据中每一位历史参赛选手的年龄，以及参赛时的历史成绩，计算第二类转化系数，所述第二类转化系数为不同年龄组别中平均成绩之间的转化系数；
从所述历史比赛数据中，提取参加过与本次比赛赛道类型相同的历史参赛选手的年龄，以及每一位历史参赛选手的历史成绩，并按照年龄进行分组，获取h个年龄组；
在第i个年龄组中，按照每一位历史参赛选手的历史成绩，划分为n个级别，计算第j个级别中历史参赛选手数占第i个年龄组中历史参赛选手数的概率值，以及第j个级别中历史参赛选手的平均成绩；
从参加此次比赛的选手中提取出从未参加过比赛的选手，并按照年龄进行分组，获取h个年龄组；
按照参加历史比赛的第i个年龄组中每一个级别所对应的概率值以及每一个级别所对应的平均成绩，将参加此次比赛的第i个年龄组中的选手进行随机分配，获取每一个从未参加过比赛的选手的预估成绩；
从参加此次比赛的选手中提取出参加过历史比赛的选手，根据每一位参加过比赛的选手的历史成绩，所述第一类转化系数和/或第二类转化系数，确定参加此次比赛的预估成绩；
根据每一位参加此次比赛的选手的预估成绩，模拟所有选手在本次比赛的赛道上的行进路线，预测赛道人流分布情况，其中，h、i和n均为大于或者等于1的正整数，且i为小于或者等于h的正整数。
2.根据权利要求1所述的方法，其特征在于，根据历史比赛数据，确定历史比赛的赛道类型之后，所述方法还包括：
以第一类型赛道的比赛计时点设置方式为基准，在所述历史比赛中除所述第一类型赛道以外的其他类型赛道比赛中，按照预设方式调整计时点，所述预设方式包括如下中的一种或多种：新增或者删减；
且，当在所述历史比赛中除所述第一类型赛道的比赛之外的其他类型赛道的比赛中新增计时点时，按照插值算法对新增计时点的成绩进行填充，以便后续根据更新后的成绩，确定每一类型赛道上所有历史参赛选手的平均成绩；
和/或，以第一类历史参赛选手参加的所述历史比赛中第一类比赛的计时点设置方式为基准，在所述历史比赛中除所述第一类比赛之外的其他类比赛中按照预设方式调整计时点，所述预设方式包括如下中的一种或多种：新增或者删减；
且，当在所述历史比赛中除所述第一类比赛之外的其他类比赛中新增计时点时，按照插值算法对新增计时点的成绩进行填充。
3.根据权利要求2所述的方法，其特征在于，所述根据历史比赛数据中每一位历史参赛选手的年龄，以及参赛时的历史成绩，计算第二类转化系数，具体包括：
依据年龄将每一位历史参赛选手划分至一个年龄组，并根据每一个历史参赛选手更新后的历史比赛成绩，确定每一个年龄组中所有历史参赛选手的平均成绩；
根据不同两个年龄组之间所有历史参赛选手的平均成绩，计算第二类转化系数。
4.根据权利要求1-3任一项所述的方法，其特征在于，根据所述历史比赛数据，确定历史比赛的赛道类型，具体包括：
根据历史比赛中的天气类型，和/或赛道测绘数据，和/或选手选拔方式，确定所述历史比赛的赛道类型。
5.根据权利要求2所述的方法，其特征在于，所述方法还包括：
按照预设规则对所述新增计时点进行优化。
6.根据权利要求1-3任一项所述的方法，其特征在于，所述根据每一位参加此次比赛的选手的预估成绩，模拟所有选手在本次比赛的赛道上的行进路线，预测赛道人流分布情况之后，所述方法还包括：
将所述赛道人流分布情况以可视化形式进行展示。
7.一种预测赛道人流分布情况的装置，其特征在于，所述装置包括：
获取单元，用于获取历史比赛数据；
确定单元，用于根据所述历史比赛数据，确定历史比赛的赛道类型；
确定每一类型赛道上所有历史参赛选手的平均成绩；
处理单元，用于根据不同类型赛道之间历史参赛选手平均成绩计算第一类转化系数，所述第一类转化系数为不同类型赛道对应的平均成绩之间的转化系数；
根据历史比赛数据中每一位历史参赛选手的年龄，以及参赛时的历史成绩，计算第二类转化系数，所述第二类转化系数为不同年龄组别中平均成绩之间的转化系数；
从所述历史比赛数据中，提取参加过与本次比赛赛道类型相同的历史参赛选手的年龄，以及每一位历史参赛选手的历史成绩，并按照年龄进行分组，获取h个年龄组；
在第i个年龄组中，按照每一位历史参赛选手的历史成绩，划分为n个级别，计算第j个级别中历史参赛选手数占第i个年龄组中历史参赛选手数的概率值，以及第j个级别中历史参赛选手的平均成绩；
从参加此次比赛的选手中提取出从未参加过比赛的选手，并按照年龄进行分组，获取h个年龄组；
按照参加历史比赛的第i个年龄组中每一个级别所对应的概率值以及每一个级别所对应的平均成绩，将参加此次比赛的第i个年龄组中的选手进行随机分配，获取每一个从未参加过比赛的选手的预估成绩；
从参加此次比赛的选手中提取出参加过历史比赛的选手，根据每一位参加过比赛的选手的历史成绩，所述第一类转化系数和/或第二类转化系数，确定参加此次比赛的预估成绩；
预测单元，用于根据每一位参加此次比赛的选手的预估成绩，模拟所有选手在本次比赛的赛道上的行进路线，预测赛道人流分布情况，其中，h、i和n均为大于或者等于1的正整数，且i为小于或者等于h的正整数。
8.根据权利要求7所述的装置，其特征在于，所述处理单元具体用于，按照所述历史参赛选手的年龄对所有历史参赛选手进行分组，并统计每一组历史参赛选手的平均成绩，计算不同组别历史参赛选手的平均成绩之间的转化系数，并定义为第二类转化系数。
9.一种预测赛道人流分布情况的系统，其特征在于，所述系统包括：处理器和存储器；
所述存储器用于存储一个或多个程序指令；
所述处理器，用于运行一个或多个程序指令，用以执行如权利要求1-6任一项所述的方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被一种预测赛道人流分布情况的系统执行如权利要求1-6任一项所述的方法。
CN201910285410.8A 2019-04-10 2019-04-10 预测赛道人流分布情况的方法、装置、系统及存储介质 Active CN109993371B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910285410.8A CN109993371B (zh) 2019-04-10 2019-04-10 预测赛道人流分布情况的方法、装置、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910285410.8A CN109993371B (zh) 2019-04-10 2019-04-10 预测赛道人流分布情况的方法、装置、系统及存储介质

Publications (2)

Publication Number Publication Date
CN109993371A CN109993371A (zh) 2019-07-09
CN109993371B true CN109993371B (zh) 2021-05-04

Family

ID=67132768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910285410.8A Active CN109993371B (zh) 2019-04-10 2019-04-10 预测赛道人流分布情况的方法、装置、系统及存储介质

Country Status (1)

Country Link
CN (1) CN109993371B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113673800A (zh) * 2020-05-15 2021-11-19 阿里巴巴集团控股有限公司 数据处理方法、装置及终端设备
CN112907036A (zh) * 2021-01-28 2021-06-04 深圳市瑞驰文体发展有限公司 一种基于互联网大数据的赛事组织管理方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101732068B1 (ko) * 2016-10-28 2017-05-04 (주)위드라인 스포츠대회 빅데이터 마이닝 서버 및 스포츠대회 빅데이터 마이닝 서버 운영방법
CN107077648A (zh) * 2014-06-16 2017-08-18 比约马克集团有限公司 用于运动活动的虚拟联盟平台及在线训练平台
CN108565002A (zh) * 2018-04-27 2018-09-21 深圳市科迈爱康科技有限公司 虚拟跑步比赛的辅助方法、系统、设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108498073A (zh) * 2018-01-03 2018-09-07 佛山杰致信息科技有限公司 一种运动数据的管理系统及方法
CN108091381A (zh) * 2018-01-11 2018-05-29 深圳市智慧健康产业发展有限公司 一种基于体征大数据的健康运动目标评估方法
CN108176033A (zh) * 2018-01-31 2018-06-19 华南农业大学 一种马拉松运动员心率测定和提醒系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107077648A (zh) * 2014-06-16 2017-08-18 比约马克集团有限公司 用于运动活动的虚拟联盟平台及在线训练平台
KR101732068B1 (ko) * 2016-10-28 2017-05-04 (주)위드라인 스포츠대회 빅데이터 마이닝 서버 및 스포츠대회 빅데이터 마이닝 서버 운영방법
CN108565002A (zh) * 2018-04-27 2018-09-21 深圳市科迈爱康科技有限公司 虚拟跑步比赛的辅助方法、系统、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
奥运会田径运动成绩的灰预测建模及其变化发展趋势分析;黄昌美;《中国优秀硕士学位论文全文数据库社会科学Ⅱ辑》;20130615;全文 *

Also Published As

Publication number Publication date
CN109993371A (zh) 2019-07-09

Similar Documents

Publication Publication Date Title
CN109993371B (zh) 预测赛道人流分布情况的方法、装置、系统及存储介质
Forrest et al. Forecasting sport: the behaviour and performance of football tipsters
KR100659213B1 (ko) 유희기, 및 그 운용 방법
CN105871640B (zh) 关卡配置数据配置方法、游戏服务器及系统
CN110163453B (zh) 一种补给资源分配策略预测方法、装置、系统及存储介质
CN109686091B (zh) 一种基于多源数据融合的交通流量填补算法
Schutz A mathematical model for evaluating scoring systems with specific reference to tennis
CN110111420B (zh) 滑雪场风场建模方法
CN110148295A (zh) 一种估计路段自由流速度及交叉口上游到达流率的方法
CN106682053A (zh) 一种游戏充值促销活动投放方案优化方法及装置
Bekker et al. Planning Formula One race strategies using discrete-event simulation
Apeldoorn et al. Measuring strategic depth in games using hierarchical knowledge bases
CN109117462A (zh) 一种游戏活跃玩家人数的预测方法
O'Donoghue The Effectiveness of Satisfying the Assumptions of Predictive Modelling Techniques: An Exercise in Predicting the FIFA World Cup 2010.
JP5179741B2 (ja) ゴルフのハンディキャップ設定装置及びその設定方法
CN110136255B (zh) 一种滑雪场运动员风阻耗能评估方法
ILIEȘ et al. GEOGRAPHICAL LANDMARKS FOR DELIMITATION OF SPORT-CULTURAL SPACE DEFINED BY AMATEUR FOOTBALL IN CRIȘANA AND MARAMUREȘ (2011-2016).
Schutz et al. Comparison of North American and international squash scoring systems—a computer simulation
CN113326979A (zh) 基于改进蚁群算法的区域景点双程路线多目标规划方法
Leitner et al. Bookmaker consensus and agreement for the UEFA Champions League 2008/2009
Vashist et al. Machine Learning for Football Matches and Tournaments
Whitney Predicting Baseball Game Outcomes: Using Weather Data and Recursive Logistic Regression
Ladany et al. The optimal aiming line
Feng et al. Evaluation of Tactics of Men's 50 km Walking Race in the Asian Games Based on Mutation Theory by Big Data Computation
Koning Rating of team abilities in soccer

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant