高校大學生體能訓練成績的ADFM模型預測研究

摘要：采用深度神經網絡預測算法，基于注意力機制的深度因子分解機模型（attentional deep factorization ma- chine，ADFM）預測了高校大學生的體能訓練成績，采用的預測算法模型包括K近鄰分類算法和深度神經網 絡，探討了3種因素對模型性能的影響以及激活函數對模型的影響.對比實驗證明，深度神經網絡在預測高校 大學生體能訓練成績方面具有較好的效果，可為提高大學生體能訓練水平提供模型和數據支持. 關鍵詞：ADFM模型；高校學生；體能訓練；成績預測

中圖分類號：G804.49

文獻標志碼：A

Research on Prediction of College Students'

Physical Fitness Training Performance Based on ADFM

JIANG Shan

（Fujian Police College， Fuzhou 350007， China）

Abstract：This paper predicts the performance of college students' physical training based on deep learning. The prediction algorithm models include K-nearest neighbor classification algorithm， and depth neural network. The experimental design and result analysis discuss the influence of three factors on the performance of the model and the influence of activation function on the model. Through the comparative experimental analysis， it is concluded that the depth neural network has a good effect in predicting the performance of college students' physical training， and can provide model and data support for improving the level of college students' physical training.

Key words：ADFM model; college student; physical training; result prediction

0引言

深度學習作為一種人工智能（ A I ） 功能， 模仿了人腦在處理數據和創建用于決策模式時的工作方式[ １]． 作為人工智能中機器學習的一個子集， 深度學習通過深度神經學習或深度神經網絡來實現從非結構化或未標記數據中進行無監督學習的能力[ ２]． 國內外基于機器學習預測體育成績的研究逐年增多， 馬德等[ ３]設計了一種基于混合遺傳神經網絡的運動員專項成績預測系統， 所設計的成績預測系統能夠進行高精度的專項成績預測． 張欣欣等[ ４]針對大數據體育成績預測存在精度較低的缺陷， 提出了一種結合灰度預測特征與 CNN s的體育成績預測算法， 在平均精度和極端數據中獲得了較好的預測效果． 范英麗[ ５]研究了基于螢火蟲改進的麻雀搜索算法優化模型， 可以實現大學生體育成績的準確預測． 在國外， 深度學習已經在成績預測領域得到較為廣泛的應用． 例如， 基于區塊鏈的運動成績預測模型結合隱馬爾可夫模型和區塊鏈技術， 通過分析運動員的生理數據和運動表現數據， 來預測其未來的運動成績[ ６]． 基于支持向量機和神經網絡的學生成績預測混合模型通過分析學生的歷史成績和其他相關數據， 來預測其未來的學習成績[ ７]． 此外， 國外的學者們還提出了多種其他的預測模型和方法， 如基于改進的隨機森林算法的期末成績預測[ ８]、 基于遺傳算法的成績預測等[ ９]． 雖然國內外基于深度學習的體育成績預測研究成果豐富， 但目前國內關于深度學習對大學生體能測試成績預測的研究結果還相對較少．

因此， 基于先前深度學習的應用研究， 本文以大學生群體為研究對象， 分析多種體能預測模型，旨在通過深度學習技術， 對高校大學生體能測試成績進行更加準確的預測和分析， 以期通過本研究的結果為大學生體能測試成績預測這一領域帶來更多的科學依據和技術支持． 如何對學生體能測試成績進行準確預測對于科學管理和科學決策具有重要意義．

2 實驗設計與結果分析

2.1 3 種因素對模型性能的影響

２． １． １ 數量集對模型性能的影響

在本實驗中， 引入基于注意力機制的深度因子分解機模型（ a t t e n t i o n a ld e e pf a c t o r i z a t i o nm a c h i n e ， AD FM） ， 并在３個數據集上進行訓練， 包括跳繩組、 射箭組和跑步組， 其中， 數據集１表示１ ０個跳繩組的實驗結果， 數據集２表示５個射箭組的實驗結果， 數據集３表示５個跑步組的實驗結果．

在 AD FM 模型中， 均方根誤差（ r o o tm e a ns q u a r ee r r o r ， RMS E） 、 平均絕對誤差（ m e a na b s o l u t ee r r o r ， MAE） 、 平均絕對百分比誤差（ m e a na b s o l u t ep e r c e n t a g ee r r o r ， MA P E） ， 這３種指標都是 用于 衡量模 型預 測精度 的工 具[ ５]．其 中RMS E是預測值與真實值之間誤差的平方的平均數的平方根， 用于衡量回歸模型的預測效果， 值越小表示模型的預測精度越高． MAE則是預測值與真實值之間絕對值的平均數， 用于衡量回歸模型的預測誤差大小， 值越小表示模型的預測精度越高． MA P E則是預測值與真實值之間誤差的絕對值與真實值的比例的平均數， 用于衡量回歸模型的預測誤差所占比例， 同樣， 值越小表示模型的預測精度越高．

AD FM 模型在３個數據集上的實驗結果如圖２所示， 從圖中可以看出， 經過 AD FM 模型訓練之后， 數據集１取得的 RMS E、 MAE、 MA P E值最小， 數據集２次之， 數據集３最大． 通過上述結果可知， 數據集１的預測效果最好， 數據集１的RMS E、 MAE、 MA P E值均優于數據集２與數據集３． 這說明數據集中的數據越多， ADMF模型的預測效果會越好， 符合深度學習領域的普遍共識．除了數據量之外， 數據集的質量也會影響模型的性能， 因此雖然數據集２和數據集３的數據量相當， 但是數據集２的預測效果要好于數據集３．

在數據集中， 隨機選取５組學生參加不同項目（ ３０ ０ ０m 長跑、 １ ０ ０m 短跑、 跳繩、 射箭、 瑜伽）的體能表現， 對模型的預測精度進行分析． 為了在比較不同項目的預測值和實際值時方便比較， 將預測成績和實際成績進行百分比轉化， 具體數值如表１所列．

由表１可知， ３０ ０ ０m 長跑項目中預測值為８ ９． ５ ７％， 與實際值８ ８． １ ５％之間的差值最小， 為１． ４ ２％， 瑜伽項目中預測值９ ２． ７ １％與實際值８ ９ . ７ ８％之間的差值最大， 為２． ９ ３％． 由此可以看出， 不同運動項目對AD FM 模型的預測精度存在著一定的影響． 這是因為不同的體育項目， 其運動特性差異較大， 例如， ３０ ０ ０m長跑和１ ０ ０m短跑主要考察的是耐力和速度能力， 而跳繩和射箭則更多考察的是協調性和靈敏度， 瑜伽更注重柔韌性和平衡性． 這種運動特性的差異可能導致學生在不同項目上的表現存在較大差異．

２． １． ２ 身體素質對模型性能的影響

身體素質是影響體育成績的重要因素， 本實驗中不同學生的身體素質對學生成績的權重不同， 影響也不同． 將數據分別導入到深度因子分解機（ d e e pf a c t o r i z a t i o n m a c h i n e ， D FM）模 型 與AD FM 模型中進行實驗， 并對模型的性能進行對比， 兩種模型的實驗結果如表２所列． 可知 AD -FM 的實驗結果 RMS E、 MAE、 MA P E這３個值分別為１． ２ ５ ９， ０． ８ ８ １， ０． ２ ５ ３， 都比 D FM 要小， 說明AD FM 模型的預測效果要好于D FM 模型． 這是因為D FM 模型與 AD FM 模型在結構上存在明顯的差異， AD FM 模型增加了一種反饋機制，使得模型能夠更好地捕捉和處理數據中的特征和模式． 這些優勢使得AD FM 模型能夠更好地處理身體素質差異的影響， 從而提高了預測精度．

２． １． ３ 體育項目的喜好程度對模型性能的影響

學生對體育項目的喜愛程度不同， 對模型的表現有一定的影響． 就３種不同的喜歡程度（ 特別喜歡、 一般喜歡和不喜歡） 對模型的性能影響進行研究， 得出實驗結果如表３所列．

由表３可知， 學生對某項運動的喜歡程度越高， RMS E、 MAE、 MA P E的值越大， 模型預測的越不準確， 這說明學生對體育項目的喜歡程度影響著模型對成績預測的準確性． 這是因為深度學習模型在訓練過程中會學習到數據的特征， 如果數據的特征與模型學習的特征不匹配， 模型的預測能力會下降． 學生對體育項目的喜歡程度作為一種非理性因素， 對模型的特征提取能力產生了影響．

2.2 實驗結果與分析

２． ２． １ 激活函數對預測結構的影響

R e LU（ r e c t i f i e dl i n e a ru n i t ） 和 T a n h（ h y p e r -b o l i ct a n g e n t ） 在深度學習模型中的應用十分出色． R e LU是一種常見的神經網絡激活函數， 它的特點是對于大于０的輸入值， 輸出與輸入相同， 而對于小于或等于０的輸入值， 輸出為０． 這種特性使得R e LU在很多深度學習模型中得到廣泛應用． T a n h激活函數是將輸入值映射到－１到１的范圍內， 與R e L U相比， T a n h在整個輸入范圍內都有定義， 因此可以提供更多的非線性特性． 在一些需要輸出范圍在－１到１之間的模型， 如一些運動預測模型中， T a n h可能會是一個更好的選擇．

因此本實驗將兩個不同的隱藏層神經元激活函數R e LU和T a n h進行比較， 跳繩、 射箭、 跑步、瑜伽４個運動項目的實驗結果如表４所列． 評估指標包括： ①準確率（ a c c u r a c y， A c c ） 是預測正確樣本數占總樣本數的比例; ②F １分數（ F １_S c o r e ）是綜合準確率和召回率的一個調和值; ③受試者工 作 特 征 （ r e c e i v e ro p e r a t i n gc h a r a c t e r i s t i c s ，ROC）曲 線 下 的 面 積 （ a r e au n d e rr o cc u r v e ，AUC） ， AUC值越大， 學習器的性能越優． 對不同項目不同激活函數獲得的數據進行對比， 發現４個體育項目中 R e LU 函數取得的評估指標數值要大于 T a n h函數， 所以當選取 R e LU 函數時，AD FM 預測模型的性能最佳．

２． ２． ２ 隱藏層數量對預測結果的影響

DNN作為本節所提出的AD FM 模型的子模塊之一， 模塊中隱藏層層數的選取， 會對預測結果產生顯著的影響． 它們增加可以降低誤差， 但過多會導致參數增加、 訓練時間變長、 效率降低以及過擬合， 進而降低泛化能力． 因此， 本節主要研究DNN模塊中， 隱藏層層數對 AD FM 預測模型性能的影響． 將每層中的神經元數量設置為相同， 設置隱藏層層數分別為１， ２， ３， ４， 在此基礎上分別分析跳繩、 射箭、 跑步、 瑜伽４個項目的 A c c 、 F １分數和AUC值， 探討不同隱藏層層數對預測模型性能的影響． 實驗結果如表５所列， 可知在各體育項目中， 當層數為２時， A c c 、 F １分數、 AUC的值最大， 由此可知當將隱藏層層數設置為２時，AD FM 模型的預測性能最佳．

２． ２． ３ 模型結構對預測結果的影響

在探索模型結構對模型影響的實驗中， 采用７種結構對體能測試結果進行預測， 這７種結構包括 f a c t o r i z a t i o n m a c h i n e（ FM） 、 d e e pn e u r a ln e t w o r k （ DNN） 、d e e p f a c t o r i z a t i o n m a c h i n e（ D FM） 、 p r o d u c t - b a s e dn e u r a ln e t w o r k s（ P NN） 、DNN ＋P NN、 FM ＋ P NN、 f a c t o r i z a t i o n - b a s e dd e e pp y r a m i dn e t w o r k（ F D P N） ． 在此實驗中， 對不同的結構模型進行實驗， 并觀察不同結構對模型性能的影響， 實驗結果如表６所列． 由表可知，兩種結構的組合略好于單一結構， 這是因為單一結構只具備特定的學習能力或特征提取能力， 難以全面地處理體能測試數據的復雜性和多樣性．DNN＋P NN結構組合的實驗結果為最優， 其中A c c值為０． ８ ８ ７、 F １分數為０． ８ ５ ６、 AUC 值為０. ８ ８ ７． 因為DNN 和P NN 的組合能夠結合兩者的優點， 從而具有更強的學習能力、 特征提取能力和泛化能力．

2.3 對比實驗與分析

為驗證本文所提出的 AD FM 預測模型設計的合理性， 將本文構建的數據集分別應用于模型KNN、 FM、 D FM、 AD FM． 最終實驗結果如表７所列． 實驗結果表明， AD FM 實驗的 A c c 、 F １分數、 AUC的值最大， 分別為０． ８ ３ ７， ０． ７ ８ ３， ０． ９ １ ５，說明注意力機制的引入有效提升了模型的性能．相比 D FM 模型， AD FM 模型的準確率提升了２ .７ ５％， F １分數提升了２． ８ １％， AUC值提升了１． ４ ２％， 證明了ADMF模型在結構設計上的合理性．

3 結論及展望

通過對深度學習在體能訓練成績預測方面的研究， 發現深度學習能夠準確預測高校大學生體能測試成績． 通過多種預測算法和模型的比較， 發現深度學習在體能預測方面具有較高的準確性和可靠性， 為科學管理和科學決策提供了重要的科學依據和技術支持． 因此， 深度學習技術可以應用于大學生體能訓練成績的預測和分析， 為提高學生的體能水平提供科學指導． 未來可以進一步探討如何優化深度學習模型以提高預測準確性和實用性．

在未來的研究中， 需要進一步探索以下方面：①改進數據集— — —擴大數據集的廣度， 檢驗 AD -FM 模型在處理更大規模和更多類型數據時的性能; ②優化模型結構— — —通過優化模型結構， 進一步提高模 型的預 測精度; ③ 引入更多影響因素— — —例如營養狀況、 睡眠質量等， 使模型更加全面和精確; ④個性化預測— — —通過深度學習技術，實現對學生體育成績的個性化預測， 以便為每位學生提供更具針對性的訓練計劃和建議．

參考文獻：

[1]苑玉彬，吳一全，趙朗月，等，基于深度學習的無人機 航拍視頻多目標檢測與跟蹤研究進展[J].航空學報，2023，44（18）：6-36.

[2]金沙沙，龍偉，胡靈犀，等，多目標檢測與跟蹤算法在 智能交通監控系統中的研究進展[J].控制與決策，2023，38（4）：890-901.

[3]馬德，李少聰，張軍峰.基于混合遺傳神經網絡的運動 員專項成績預測系統設計[J].現代電子技術，2018，41（8）：183-186.

[4]張欣欣，郭純，郭真，等.結合灰度預測特征與CNNs的信息服務體育成績預測[J].沈陽工業大學學報，2020，42（4）：432-436.

[5]范英麗，鄭志強，鄭巍.基于改進SSA-LSSVM模型的大學生體育成績預測[J].計算機仿真，2023，40（1）：283-289.

[6] CAO P，ZHU G，ZHANG Q，et al. Blockchain-enabled HMM model for sports performance prediction [J].IEEE Access，2021，9：40255-40262.

[7] MIA0 J J. A hybrid model for student grade prediction using support vector machine and neural network [J]. Journal of Intelligent and Fuzzy Systems：Applications in Engineering and Technology，2021，40（2）：2673-2683.

[8] YANG Y，FU P，YANG X，et al. MO0C learner's final grade prediction based on an improved random forests method[J]. Computers， Materialsamp;.Continua，2020，65（3）：2413-2423.

[9] BULLOCK G S，WARD P，IMPELLIZZERI F M，et al. The trade secret taboo：open science methods are required to improve prediction models in sports medicine and performance [J]. Sports Medicine， 2023， 53（10）：1841-1849.

[責任編輯：紀彩虹]