CN116167900B - 一种基于人工智能的分数显示分析系统及方法 - Google Patents

Abstract

本发明涉及人工智能技术领域，具体为一种基于人工智能的分数显示分析系统及方法，包括汇集各学员在每一训练周期内产生的所有历史训练记录；分别获取智能化训练考核系统对各历史训练记录显示的评判分数，将存在扣分情况的历史训练记录设为目标训练记录，分别对各目标训练记录进行特征信息的提取；捕捉识别各学员在每一训练周期内呈现出训练异常现象的训练项目；分别对各学员在每一训练周期中存在的各特征训练项目进行考核失分事件的分布梳理；对各学员在各训练周期内于各特征训练项目上呈现出的掌握程度值进行汇总，生成对应各学员的训练浮动曲线；对训练浮动曲线进行分析，辅助制定对应各学员的个性化训练方案。

Description

一种基于人工智能的分数显示分析系统及方法

技术领域

本发明涉及人工智能技术领域，具体为一种基于人工智能的分数显示分析系统及方法。

背景技术

人工智能属于计算机科学的一个分支，它企图了解智能的实质并基于该实质生产出一种新的能以人类智能相似的方式做出反应的智能机器；人工智能领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等，人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”；

现阶段机动车驾驶培训周期较短且应试教学现象普遍，教学培训和实际驾驶脱节；但是，机动车驾驶人的驾驶技能98％以上是在驾校学习完成的，提高驾校培训质量，如何针对各学员的动手能力情况进行科学、合理的培训计划制定是亟需解决的问题；

想要提升驾驶人的驾驶技能和提高安全驾驶意识，关键在于提高驾校培训质量，制定科学有效的培训方案。

发明内容

本发明的目的在于提供一种基于人工智能的分数显示分析系统及方法，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的分数显示分析方法，方法包括：

步骤S100：分别对各学员设置于每一训练周期内在各训练项目上需对应完成的训练指标，汇集各学员在每一训练周期内产生的所有历史训练记录；分别获取智能化训练考核系统对各历史训练记录显示的评判分数，将存在扣分情况的历史训练记录设为目标训练记录，分别对各目标训练记录进行特征信息的提取；

步骤S200：对各学员在每一训练周期中存在的所有历史训练记录进行信息梳理，捕捉识别各学员在每一训练周期内呈现出训练异常现象的训练项目，将呈现出训练异常现象的训练项目设为各学员在每一训练周期内的特征训练项目；

步骤S300：分别对各学员在每一训练周期中存在的各特征训练项目进行考核失分事件的分布梳理，得到各学员在每一训练周期内对各特征训练项目的掌握程度值；

步骤S400：对各学员在各训练周期内于各特征训练项目上呈现出的掌握程度值进行汇总，生成对应各学员的训练浮动曲线；对训练浮动曲线进行分析，并将分析结果反馈至教练终端，辅助制定对应各学员的个性化训练方案。

进一步的，步骤S100包括：

步骤S101：获取智能化训练考核系统对各训练项目设置的考核规则内容，从考核规则内容中解析出在各训练项目中存在的所有考核点以及对应各考核点的考核标准；其中，一个考核点是指在一个训练项目中的一种考核项；考核标准是指满分通过对应考核项时需满足的训练状态参数信息；其中，训练状态参数信息是指训练车辆所处的方位角度信息、训练车辆的行驶状态信息或驾驶者的操作信息中的任意一种信息或任意一种信息组合；

步骤S102：若某个考核点a对应的考核标准中存在的训练状态参数信息Fa为一种信息，则判断在某个考核点a中存在的考核失分事件总类数Ma＝1；若某个考核点b对应的考核标准中存在的训练状态参数信息Fb为一种信息组合，且Fb内包括的信息种类数为n，n≥2；则判断在某个考核点b中存在的考核失分事件总类数分别将在各训练项目中对应各考核点存在的考核失分事件总类数进行累计，分别得到在各训练项目中存在的考核失分事件总类数；

步骤S103：分别汇集在各目标训练记录中存在的所有考核失分事件，得到对应各目标训练记录的考核失分事件集合，将考核失分事件集合作为各目标训练记录的第一特征信息；分别汇集智能化训练考核系统对各目标训练记录显示的所有评判分数，得到对应各目标训练记录的评判分数集合，将评判分数集合作为各目标训练记录的第二特征信息；其中，评判分数集合是指在各目标训练记录中，由各存在考核失分事件的考核点对应的评判分数所组成的集合。

进一步的，步骤S200包括：

步骤S201：分别对每一训练周期中的各训练项目计算训练特征值其中，N₂表示各训练项目在每一训练周期中对应存在的目标训练记录总数；N₁表示各训练项目在每一训练周期中对应存在的历史训练记录总数；P₁表示于各训练项目的全部目标训练记录中，存在考核失分事件的总类别数；P₂表示于各训练项目中，存考核失分事件的总类数；

步骤S202：当某一学员在某一训练周期内，于某一训练项目中呈现的训练特征值大于特征阈值时，判断某一训练项目为某一学员在某一训练周期内出现训练异常现象的训练项目；

通过对各训练项目计算训练特征值，然后将训练特征值大于特征阈值的训练项目判定为出现训练异常现象的训练项目，正是因为每个学员在每个训练周期中对应各训练项目通常会出现因不小心的失误而产生的历史训练记录，而这些历史训练记录的产生往往是因为学员在训练过程中不可能总是保持最佳训练状态，且出现的这些历史训练记录并非是由于该学员没有掌握对应的技巧；通过设置一个训练特征值大于特征阈值的筛选过程相当于是为各学员设置一定的容错空间，为各学员筛选出掌握程度不达标的训练项目。

进一步的，步骤S300包括：

步骤S301：若某个学员在某个训练周期中存在特征训练项目D，在特征训练项目D中存在的考核点包括{d₁,d₂,…,d_k}；其中，d₁,d₂,…,d_k分别表示在特征训练项目D中存在的第1、2、…、k个考核点；分别获取对应{d₁,d₂,…,d_k}内各考核点的考核失分事件集合，得到集合{Wd₁,Wd₂,…,Wd_k}；其中，Wd₁,Wd₂,…,Wd_k分别表示d₁,d₂,…,d_k对应的考核失分事件集合；

步骤S302：对某个训练周期中对应特征训练项目D的目标训练记录进行提取得到{L₁,L₂,…,L_c}；其中，L₁,L₂,…,L_c分别表示在某个训练周期中对应特征训练项目D的第1、2、…、c条目标训练记录；分别获取{L₁,L₂,…,L_c}内各目标训练记录对应的第一特征信息中，提取各目标训练记录对应的考核失分事件集合，分别捕捉考核失分事件集合内各考核失分事件所属的考核点；

步骤S303：计算某个学员在某个训练周期中，于特征训练项目D中任意考核点d_i上呈现出的失分覆盖率其中，/>表示在{L₁,L₂,…,L_c}中存在的属于考核点d_i的考核失分事件类别总数；/>表示在考核点d_i对应的考核失分事件集合Wd_i中存在的考核失分事件类别总数；

步骤S304：计算某个学员在某个训练周期内对特征训练项目D的掌握程度值

进一步的，步骤S400包括：

步骤S401：对各学员在各训练周期内于各特征训练项目上呈现出的掌握程度值进行分别汇总，分别对各特征训练项目构建以训练周期为横坐标，以掌握程度值为纵坐标的训练浮动曲线；捕捉呈现下降趋势的训练浮动曲线，对呈现下降趋势的训练浮动曲线所对应的特征训练项目进行标识；

步骤S402：将所有训练浮动曲线反馈至教练终端，结合所有存在标识的特征训练项目信息辅助教练终端制定对应各学员的个性化训练方案。

为更好的实现上述方法还提出了一种基于人工智能的分数显示分析系统，系统包括特征信息提取管理模块、特征训练项目识别处理模块、考核失分事件分布梳理模块、掌握程度值分析处理模块、个性化训练方案制定辅助模块；

特征信息提取管理模块，用于分别对各学员设置于每一训练周期内在各训练项目上需对应完成的训练指标，汇集各学员在每一训练周期内产生的所有历史训练记录；分别获取智能化训练考核系统对各历史训练记录显示的评判分数，将存在扣分情况的历史训练记录设为目标训练记录，分别对各目标训练记录进行特征信息的提取；

特征训练项目识别处理模块，用于对各学员在每一训练周期中存在的所有历史训练记录进行信息梳理，捕捉识别各学员在每一训练周期内呈现出训练异常现象的训练项目，将呈现出训练异常现象的训练项目设为各学员在每一训练周期内的特征训练项目；

考核失分事件分布梳理模块，用于分别对各学员在每一训练周期中存在的各特征训练项目进行考核失分事件的分布梳理；

掌握程度值分析处理模块，用于接收考核失分事件分布梳理模块中的数据，计算得到各学员在每一训练周期内对各特征训练项目的掌握程度值；

个性化训练方案制定辅助模块，用于对各学员在各训练周期内于各特征训练项目上呈现出的掌握程度值进行汇总，生成对应各学员的训练浮动曲线；对训练浮动曲线进行分析，并将分析结果反馈至教练终端，辅助制定对应各学员的个性化训练方案。

进一步的，特征信息提取管理模块包括目标训练记录筛选单元、特征信息提取单元；

目标训练记录筛选单元，对各学员在每一训练周期内产生的所有历史训练记录进行汇集；分别对智能化训练考核系统对各历史训练记录显示的评判分数进行分析，将存在扣分情况的历史训练记录筛选出来作为目标训练记录；

特征信息提取单元，用于接收目标训练记录筛选单元中的数据，对各目标训练记录进行特征信息的提取。

进一步的，掌握程度值分析处理模块包括失分覆盖率计算单元、掌握程度值计算单元；

失分覆盖率计算单元，用于对各特征训练项目计算在各考核点上呈现出的失分覆盖率；

掌握程度值计算单元，用于接收失分覆盖率计算单元中的数据，基于数据对各特征训练项目计算掌握程度值。

与现有技术相比，本发明所达到的有益效果是：本发明可实现对学员在各训练周期中产生的历史训练记录进行综合分析，对各学员存在训练异常现象的训练项目进行捕捉分析；对各学员存在训练异常现象的各训练项目进行掌握程度值的分析计算，根据掌握程度值反应各学员在各训练项目上的训练情况，为各学员生成相应的训练浮动曲线，反馈并辅助教练终端制定对应各学员的个性化训练方案，提高项目训练的科学性和效率。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明一种基于人工智能的分数显示分析方法的流程示意图；

图2是本发明一种基于人工智能的分数显示分析系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，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。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。

请参阅图1-图2，本发明提供技术方案：一种基于人工智能的分数显示分析方法，方法包括：

步骤S100：分别对各学员设置于每一训练周期内在各训练项目上需对应完成的训练指标，汇集各学员在每一训练周期内产生的所有历史训练记录；分别获取智能化训练考核系统对各历史训练记录显示的评判分数，将存在扣分情况的历史训练记录设为目标训练记录，分别对各目标训练记录进行特征信息的提取；

其中，步骤S100包括：

步骤S101：获取智能化训练考核系统对各训练项目设置的考核规则内容，从考核规则内容中解析出在各训练项目中存在的所有考核点以及对应各考核点的考核标准；其中，一个考核点是指在一个训练项目中的一种考核项；考核标准是指满分通过对应考核项时需满足的训练状态参数信息；其中，训练状态参数信息是指训练车辆所处的方位角度信息、训练车辆的行驶状态信息或驾驶者的操作信息中的任意一种信息或任意一种信息组合；

例如说，根据上坡定点项目对应的考核规则内容：1、桩杆线：车辆停止后，汽车前保险杠未定于桩杆线上，且前后超出50厘米，不合格；车辆停止后，汽车前保险杠未定于桩杆线上，且前后不超出50厘米，扣20分；2、身体距离路边缘线：车辆停止后，车身距离路边缘线30厘米以上，扣20分；3、车轮轧外黄线：车辆停止后，车轮轧外黄线不合格；轧白色标线扣10分；4、起车熄火与溜坡：起车熄火一次扣10分；车辆溜坡30厘米不合格；

可知，在上坡定点项目中存在考核点：桩杆线、身体距离路边缘线、车轮轧外黄线、起车熄火与溜坡；其中，对应桩杆线的考核标准为车辆停止后，汽车前保险杠需定于桩杆线上，且前后不超出50厘米；其中，对应身体距离路边缘线的考核标准为车辆停止后，车身距离路边缘线小于30厘米；其中，对应车轮轧外黄线的考核标准为车辆停止后，车轮不轧外黄线且不轧白色标线；其中，对应起车熄火与溜坡的考核标准为起车不能熄火，车辆不溜坡；

步骤S102：若某个考核点a对应的考核标准中存在的训练状态参数信息Fa为一种信息，则判断在某个考核点a中存在的考核失分事件总类数Ma＝1；例如说，当学员在实际完成所述某个考核点a时，因为所述智能化训练考核系统未捕捉到Fa，所以对某个考核点a的考核情况判定为存在失分情况；

若某个考核点b对应的考核标准中存在的训练状态参数信息Fb为一种信息组合，且Fb内包括的信息种类数为n，n≥2；则判断在某个考核点b中存在的考核失分事件总类数 分别将在各训练项目中对应各考核点存在的考核失分事件总类数进行累计，分别得到在各训练项目中存在的考核失分事件总类数；

步骤S103：分别汇集在各目标训练记录中存在的所有考核失分事件，得到对应各目标训练记录的考核失分事件集合，将考核失分事件集合作为各目标训练记录的第一特征信息；分别汇集智能化训练考核系统对各目标训练记录显示的所有评判分数，得到对应各目标训练记录的评判分数集合，将评判分数集合作为各目标训练记录的第二特征信息；其中，评判分数集合是指在各目标训练记录中，由各存在考核失分事件的考核点对应的评判分数所组成的集合；

步骤S200：对各学员在每一训练周期中存在的所有历史训练记录进行信息梳理，捕捉识别各学员在每一训练周期内呈现出训练异常现象的训练项目，将呈现出训练异常现象的训练项目设为各学员在每一训练周期内的特征训练项目；

其中，步骤S200包括：

步骤S201：分别对每一训练周期中的各训练项目计算训练特征值其中，N₂表示各训练项目在每一训练周期中对应存在的目标训练记录总数；N₁表示各训练项目在每一训练周期中对应存在的历史训练记录总数；P₁表示于各训练项目的全部目标训练记录中，存在考核失分事件的总类别数；P₂表示于各训练项目中，存考核失分事件的总类数；

步骤S202：当某一学员在某一训练周期内，于某一训练项目中呈现的训练特征值大于特征阈值时，判断某一训练项目为某一学员在某一训练周期内出现训练异常现象的训练项目；

步骤S300：分别对各学员在每一训练周期中存在的各特征训练项目进行考核失分事件的分布梳理，得到各学员在每一训练周期内对各特征训练项目的掌握程度值；

其中，步骤S300包括：

步骤S301：若某个学员在某个训练周期中存在特征训练项目D，在特征训练项目D中存在的考核点包括{d₁,d₂,…,d_k}；其中，d₁,d₂,…,d_k分别表示在特征训练项目D中存在的第1、2、…、k个考核点；分别获取对应{d₁,d₂,…,d_k}内各考核点的考核失分事件集合，得到集合{Wd₁,Wd₂,…,Wd_k}；其中，Wd₁,Wd₂,…,Wd_k分别表示d₁,d₂,…,d_k对应的考核失分事件集合；

步骤S302：对某个训练周期中对应特征训练项目D的目标训练记录进行提取得到{L₁,L₂,…,L_c}；其中，L₁,L₂,…,L_c分别表示在某个训练周期中对应特征训练项目D的第1、2、…、c条目标训练记录；分别获取{L₁,L₂,…,L_c}内各目标训练记录对应的第一特征信息中，提取各目标训练记录对应的考核失分事件集合，分别捕捉考核失分事件集合内各考核失分事件所属的考核点；

步骤S303：计算某个学员在某个训练周期中，于特征训练项目D中任意考核点d_i上呈现出的失分覆盖率其中，/>表示在{L₁,L₂,…,L_c}中存在的属于考核点d_i的考核失分事件类别总数；/>表示在考核点d_i对应的考核失分事件集合Wd_i中存在的考核失分事件类别总数；

步骤S304：计算某个学员在某个训练周期内对特征训练项目D的掌握程度值

步骤S400：对各学员在各训练周期内于各特征训练项目上呈现出的掌握程度值进行汇总，生成对应各学员的训练浮动曲线；对训练浮动曲线进行分析，并将分析结果反馈至教练终端，辅助制定对应各学员的个性化训练方案；

其中，步骤S400包括：

步骤S401：对各学员在各训练周期内于各特征训练项目上呈现出的掌握程度值进行分别汇总，分别对各特征训练项目构建以训练周期为横坐标，以掌握程度值为纵坐标的训练浮动曲线；捕捉呈现下降趋势的训练浮动曲线，对呈现下降趋势的训练浮动曲线所对应的特征训练项目进行标识；

步骤S402：将所有训练浮动曲线反馈至教练终端，结合所有存在标识的特征训练项目信息辅助教练终端制定对应各学员的个性化训练方案。

为更好的实现上述方法还提出了一种基于人工智能的分数显示分析系统，系统包括特征信息提取管理模块、特征训练项目识别处理模块、考核失分事件分布梳理模块、掌握程度值分析处理模块、个性化训练方案制定辅助模块；

特征信息提取管理模块，用于分别对各学员设置于每一训练周期内在各训练项目上需对应完成的训练指标，汇集各学员在每一训练周期内产生的所有历史训练记录；分别获取智能化训练考核系统对各历史训练记录显示的评判分数，将存在扣分情况的历史训练记录设为目标训练记录，分别对各目标训练记录进行特征信息的提取；

其中，特征信息提取管理模块包括目标训练记录筛选单元、特征信息提取单元；

目标训练记录筛选单元，对各学员在每一训练周期内产生的所有历史训练记录进行汇集；分别对智能化训练考核系统对各历史训练记录显示的评判分数进行分析，将存在扣分情况的历史训练记录筛选出来作为目标训练记录；

特征信息提取单元，用于接收目标训练记录筛选单元中的数据，对各目标训练记录进行特征信息的提取；

特征训练项目识别处理模块，用于对各学员在每一训练周期中存在的所有历史训练记录进行信息梳理，捕捉识别各学员在每一训练周期内呈现出训练异常现象的训练项目，将呈现出训练异常现象的训练项目设为各学员在每一训练周期内的特征训练项目；

考核失分事件分布梳理模块，用于分别对各学员在每一训练周期中存在的各特征训练项目进行考核失分事件的分布梳理；

掌握程度值分析处理模块，用于接收考核失分事件分布梳理模块中的数据，计算得到各学员在每一训练周期内对各特征训练项目的掌握程度值；

其中，掌握程度值分析处理模块包括失分覆盖率计算单元、掌握程度值计算单元；

失分覆盖率计算单元，用于对各特征训练项目计算在各考核点上呈现出的失分覆盖率；

掌握程度值计算单元，用于接收失分覆盖率计算单元中的数据，基于数据对各特征训练项目计算掌握程度值；

个性化训练方案制定辅助模块，用于对各学员在各训练周期内于各特征训练项目上呈现出的掌握程度值进行汇总，生成对应各学员的训练浮动曲线；对训练浮动曲线进行分析，并将分析结果反馈至教练终端，辅助制定对应各学员的个性化训练方案。

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。

最后应说明的是：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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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。

Claims (5)

1.一种基于人工智能的分数显示分析方法，其特征在于，所述方法包括：

步骤S100：分别对各学员设置于每一训练周期内在各训练项目上需对应完成的训练指标，汇集各学员在每一训练周期内产生的所有历史训练记录；分别获取智能化训练考核系统对各历史训练记录显示的评判分数，将存在扣分情况的历史训练记录设为目标训练记录，分别对各目标训练记录进行特征信息的提取；

所述步骤S100包括：

步骤S101：获取智能化训练考核系统对各训练项目设置的考核规则内容，从所述考核规则内容中解析出在所述各训练项目中存在的所有考核点以及对应各考核点的考核标准；其中，一个考核点是指在一个训练项目中的一种考核项；所述考核标准是指满分通过对应考核项时需满足的训练状态参数信息；其中，所述训练状态参数信息是指训练车辆所处的方位角度信息、训练车辆的行驶状态信息或驾驶者的操作信息中的任意一种信息或任意一种信息组合；

步骤S102：若某个考核点a对应的考核标准中存在的训练状态参数信息Fa为一种信息，则判断在所述某个考核点a中存在的考核失分事件总类数Ma＝1；若某个考核点b对应的考核标准中存在的训练状态参数信息Fb为一种信息组合，且Fb内包括的信息种类数为n，n≥2；则判断在所述某个考核点b中存在的考核失分事件总类数 分别将在各训练项目中对应各考核点存在的考核失分事件总类数进行累计，分别得到在各训练项目中存在的考核失分事件总类数；

步骤S103：分别汇集在各目标训练记录中存在的所有考核失分事件，得到对应各目标训练记录的考核失分事件集合，将所述考核失分事件集合作为所述各目标训练记录的第一特征信息；分别汇集智能化训练考核系统对所述各目标训练记录显示的所有评判分数，得到对应各目标训练记录的评判分数集合，将所述评判分数集合作为所述各目标训练记录的第二特征信息；其中，所述评判分数集合是指在所述各目标训练记录中，由各存在考核失分事件的考核点对应的评判分数所组成的集合；

步骤S200：对各学员在所述每一训练周期中存在的所有历史训练记录进行信息梳理，捕捉识别所述各学员在所述每一训练周期内呈现出训练异常现象的训练项目，将所述呈现出训练异常现象的训练项目设为所述各学员在所述每一训练周期内的特征训练项目；

所述步骤S200包括：

步骤S201：分别对所述每一训练周期中的各训练项目计算训练特征值其中，N₂表示所述各训练项目在每一训练周期中对应存在的目标训练记录总数；N₁表示所述各训练项目在每一训练周期中对应存在的历史训练记录总数；P₁表示于所述各训练项目的全部目标训练记录中，存在考核失分事件的总类别数；P₂表示于所述各训练项目中，存考核失分事件的总类数；

步骤S202：当某一学员在某一训练周期内，于某一训练项目中呈现的训练特征值大于特征阈值时，判断所述某一训练项目为所述某一学员在所述某一训练周期内出现训练异常现象的训练项目；

步骤S300：分别对各学员在每一训练周期中存在的各特征训练项目进行考核失分事件的分布梳理，得到所述各学员在所述每一训练周期内对所述各特征训练项目的掌握程度值；

所述步骤S300包括：

步骤S301：若某个学员在某个训练周期中存在特征训练项目D，在所述特征训练项目D中存在的考核点包括{d₁,d₂,…,d_k}；其中，d₁,d₂,…,d_k分别表示在特征训练项目D中存在的第1、2、…、k个考核点；分别获取对应{d₁,d₂,…,d_k}内各考核点的考核失分事件集合，得到集合{Wd₁,Wd₂,…,Wd_k}；其中，Wd₁,Wd₂,…,Wd_k分别表示d₁,d₂,…,d_k对应的考核失分事件集合；

步骤S302：对所述某个训练周期中对应所述特征训练项目D的目标训练记录进行提取得到{L₁,L₂,…,L_c}；其中，L₁,L₂,…,L_c分别表示在所述某个训练周期中对应所述特征训练项目D的第1、2、…、c条目标训练记录；分别获取{L₁,L₂,…,L_c}内各目标训练记录对应的第一特征信息中，提取所述各目标训练记录对应的考核失分事件集合，分别捕捉所述考核失分事件集合内各考核失分事件所属的考核点；

步骤S303：计算所述某个学员在所述某个训练周期中，于所述特征训练项目D中任意考核点d_i上呈现出的失分覆盖率其中，/>表示在{L₁,L₂,…,L_c}中存在的属于考核点d_i的考核失分事件类别总数；/>表示在考核点d_i对应的考核失分事件集合Wd_i中存在的考核失分事件类别总数；

步骤S304：计算所述某个学员在所述某个训练周期内对所述特征训练项目D的掌握程度值

步骤S400：对各学员在各训练周期内于各特征训练项目上呈现出的掌握程度值进行汇总，生成对应所述各学员的训练浮动曲线；对所述训练浮动曲线进行分析，并将分析结果反馈至教练终端，辅助制定对应各学员的个性化训练方案。

2.根据权利要求1所述的一种基于人工智能的分数显示分析方法，其特征在于，所述步骤S400包括：

步骤S401：对各学员在各训练周期内于各特征训练项目上呈现出的掌握程度值进行分别汇总，分别对各特征训练项目构建以训练周期为横坐标，以掌握程度值为纵坐标的训练浮动曲线；捕捉呈现下降趋势的训练浮动曲线，对所述呈现下降趋势的训练浮动曲线所对应的特征训练项目进行标识；

步骤S402：将所有训练浮动曲线反馈至教练终端，结合所有存在标识的特征训练项目信息辅助教练终端制定对应各学员的个性化训练方案。

3.一种应用权利要求1-2中任意一项所述的基于人工智能的分数显示分析方法的分数显示分析系统，其特征在于，所述系统包括特征信息提取管理模块、特征训练项目识别处理模块、考核失分事件分布梳理模块、掌握程度值分析处理模块、个性化训练方案制定辅助模块；

所述特征信息提取管理模块，用于分别对各学员设置于每一训练周期内在各训练项目上需对应完成的训练指标，汇集各学员在每一训练周期内产生的所有历史训练记录；分别获取智能化训练考核系统对各历史训练记录显示的评判分数，将存在扣分情况的历史训练记录设为目标训练记录，分别对各目标训练记录进行特征信息的提取；

所述特征训练项目识别处理模块，用于对各学员在所述每一训练周期中存在的所有历史训练记录进行信息梳理，捕捉识别所述各学员在所述每一训练周期内呈现出训练异常现象的训练项目，将所述呈现出训练异常现象的训练项目设为所述各学员在所述每一训练周期内的特征训练项目；

所述考核失分事件分布梳理模块，用于分别对各学员在每一训练周期中存在的各特征训练项目进行考核失分事件的分布梳理；

所述掌握程度值分析处理模块，用于接收所述考核失分事件分布梳理模块中的数据，计算得到所述各学员在所述每一训练周期内对所述各特征训练项目的掌握程度值；

所述个性化训练方案制定辅助模块，用于对各学员在各训练周期内于各特征训练项目上呈现出的掌握程度值进行汇总，生成对应所述各学员的训练浮动曲线；对所述训练浮动曲线进行分析，并将分析结果反馈至教练终端，辅助制定对应各学员的个性化训练方案。

4.根据权利要求3所述的一种分数显示分析系统，其特征在于，所述特征信息提取管理模块包括目标训练记录筛选单元、特征信息提取单元；

所述目标训练记录筛选单元，对各学员在每一训练周期内产生的所有历史训练记录进行汇集；分别对智能化训练考核系统对各历史训练记录显示的评判分数进行分析，将存在扣分情况的历史训练记录筛选出来作为目标训练记录；

所述特征信息提取单元，用于接收所述目标训练记录筛选单元中的数据，对各目标训练记录进行特征信息的提取。

5.根据权利要求3所述的一种分数显示分析系统，其特征在于，所述掌握程度值分析处理模块包括失分覆盖率计算单元、掌握程度值计算单元；

所述失分覆盖率计算单元，用于对各特征训练项目计算在各考核点上呈现出的失分覆盖率；

所述掌握程度值计算单元，用于接收所述失分覆盖率计算单元中的数据，基于所述数据对各特征训练项目计算掌握程度值。