CC BY
21
pp. 312-315.
2. Shchetina, B.M. (2019), "One-sided grip of the barbell in the deadlift as a methodical method of preventing injuries in classic triathlon", Educational-patriotic and physical culture-sports activities in universities: solving urgent problems: materials of the international scientific-practical conference, Tyumen, pp. 309-312.
3. Shchetina, B.M. (2020), "Training of athletes in powerlifting (classic triathlon) in a higher educational institution", Educational-patriotic and physical culture-sports activities in universities: solving urgent problems: materials of the international scientific-practical conference, Tyumen, pp. 418-422.
4. Shchetina, B.M. and Shchetina, B.M. (2017), "Comparative data on the contribution of competitive exercises to sports results among athletes in powerlifting (classic triathlon)", Modern problems of physical culture and sports: materials of the All-Russian scientific-practical conference, Khabarovsk, pp. 401-404.
Контактная информация: bolislav.shchetina@mail.ru
Статья поступила в редакцию 29.03.2021
УДК 796.015.865.22
ПРОБЛЕМЫ СПОРТИВНОГО ПРОГНОЗИРОВАНИЯ
Владислав Николаевич Юшкин, кандидат технических наук, доцент, доцент, Волгоградский государственный аграрный университет
Аннотация
Введение. Объективной необходимостью сегодня является обоснование теоретических основ рейтинговых систем по расчету и формированию рейтинговых классификаций в командных видах спорта с позиции математического моделирования, с применением численных методов расчета. Целью исследования являлось теоретическое обоснование расчета рейтинга с применением численных методов; описание системы определения рейтинга в командных видах спорта. Методика и организация исследования. В качестве материала исследования были использованы результаты выступления команд по бейсболу в матчах Главной бейсбольной лиги (MLB). Хронологические рамки исследования: 23 июля 2020 - 27 октября 2020 г. Результаты исследования и их обсуждение. В процессе проведения исследования был выполнен вариант расчета единой системы уравнений, с вычислением постоянного показателя - коэффициента влияния фактора своего поля. Выводы. Делается вывод математического функционала для формирования системы линейных уравнений на основе результатов выступления команд в соревновании. Представлен вид системы линейных уравнений, обеспечивающей единственный вариант решения. Приведены математически обоснованные формулы подсчета рейтинга. Полученные данные свидетельствуют об адекватности построенной модели и возможности применения рейтинга для оценки результатов выступлений в командных видах спорта.
Ключевые слова: рейтинг, система, классификация, моделирование, численный метод. DOI: 10.34835/issn.2308-1961.2021.4.p473-478
ISSUES IN SPORTS FORECASTING
Vladislav Nikolaevich Yushkin, the candidate of technical sciences, senior lecturer, Volgograd
State Agricultural University
Abstract
Introduction. An objective necessity today is to substantiate the theoretical foundations of rating systems for calculating and forming rating classifications in team sports from the position of mathematical modeling, using numerical methods of calculation. The purpose of the study was the theoretical substantiation of rating calculation using numerical methods; a description of the rating system in team sports. The methodology and organization of the study. The results of the performance of ice baseball teams in the matches of the Major League Baseball (MLB) were used as the research material. Chronological scope of the study: July 23, 2019 - October 27, 2020. Research results and discussion. In the course of the study, a
variant of calculating a unified system of equations was carried out with the calculation of a constant indicator of the coefficient of influence of the factor of one's own field. Conclusions. The conclusion of the mathematical functional for the formation of a system of linear equations is made on the basis of the results of the teams' performance in the competition. The form of a system of linear equations providing the only solution is presented. Mathematically substantiated formulas for calculating the rating are given. The data obtained testify to the adequacy of the constructed model and the possibility of using the rating to assess the results of performances in team sports.
Keywords: rating, system, classification, modeling, numerical method.
ВВЕДЕНИЕ
В отечественной и зарубежной науке неоднократно предпринимались попытки разработки универсальной рейтинговой системы, позволяющей осуществлять оценивание силы команд, их ранжирование, прогнозирование результатов игр в различных видах спорта [1, 2].
В отечественной науке внедрению рейтингов в спорте посвящены работы Быкова А.В. [3], Тугарева А.С. [4]. В последние годы большой вклад в развитие систем прогнозирования на основе различных моделей искусственных нейронных сетей делают Крутиков А.К., Мельцов В.Ю., Подковырин В.Д., Долженкова М.Л., Чистяков Г.А., Клюкин В.Л. [5-10].
В то же время, несмотря на существенное количество работ, посвященных исследованию заявленной проблематике, по сегодняшний день отсутствует единая универсальная рейтинговая система, которая позволит осуществлять выявление силы, успешности отдельного игрока или команды, их ранжирование, прогнозирование результатов игры, соревнования, отсутствует.
ЦЕЛЬ ИССЛЕДОВАНИЯ
Теоретическое обоснование расчета рейтинга с применением численных методов. Описание системы определения рейтинга в командных видах спорта. Вводится понятие соответствия математической модели реальным результатам. Этот показатель должен стремиться к максимуму. В качестве показателя для оценки степени соответствия математической модели предлагается использовать следующий параметр: процент количества матчей с сошедшимся результатом по результатам рейтинговой оценки двух команд с фактически полученным результатом матча к общему количеству матчей, в которых был выявлен победитель. Фактор своего поля, в рамках данного исследования, понимается как спортивный термин, который используется для описания результатов спортивных мероприятий, успехов, достигнутых домашней командой, игроком.
Исследования, посвященные изучению влияния своего поля в бейсболе, остаются малочисленными, что позволяет продолжить работу по доказательству/опровержению следующей гипотезы: фактор своего поля оказывает значительное влияние на конечный исход игры в бейсболе, способствуя повышению силы команды.
МЕТОДИКА И ОРГАНИЗАЦИЯ ИССЛЕДОВАНИЯ
Как было указанно выше, в качестве материала для исследования были выбраны результаты бейсбольных матчей Главной бейсбольной лиги (MLB) в Северной Америке 2020 г. В укороченном из-за пандемии коронавирусной инфекции чемпионате MLB участвующие команды провели меньшее количество игр по сравнению с предыдущими сезонами - по 60 игр. В предыдущих сезонах проводили по 162 игры. Согласно расписанию каждая команда провела шестьдесят матчей, сорок из которых с соперниками по своему дивизиону, а остальные двадцать с соперниками из других дивизионов. Получается, что формат проведения регулярного чемпионата MLB подразумевает тот факт, что команды проводят разное количество игр между собой. В результате, регулярный чемпионат Главной бейсбольной лиги не является круговым
турниром. Для определения силы команд, необходимо внедрение рейтинговой системы. С применением рейтинговой системы можно определить уровень команд в различных лигах и дивизионах Главной бейсбольной лиги, что повышает актуальность, значимость исследования. Первоначально определим рейтинги при условии проведения всех матчей на нейтральном поле. Для выполнения расчетов в качестве главного показателя используем счет, зафиксированный в матче. Суммировать забитые и пропущенные голы необходимо с учетом силы соперника. Для определения рейтингов команд необходимо решить систему уравнений [11]:
F
R = —,
' A
(1)
где I - количество команд, рассчитываемых в системе; К - рейтинг I -ой команды; ^, А - суммарное приведенное количество забитых и пропущенных голов I -ой команды соответственно.
Величина коэффициента фактора своего поля в линейной постановке вычисляется как средневзвешенное значение по всем рассчитываемым матчам системы по приведенной ниже формуле
к =Ё ( JRJR )/Ё (-VR7R;/
(2)
где n - количество матчей, в которых одна из команд имела преимущество своего поля; G1, G2 - количество голов, забитых хозяевами поля и гостями соответственно;
R1, R2 - рейтинг хозяев поля и гостей соответственно.
РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ И ИХ ОБСУЖДЕНИЕ
В качестве анализируемого турнира выбираем результаты выступления команд по бейсболу в MLB 2020 г. Период проведения соревнования с 23 июля 2020 по 27 октября 2020 г. В расчете использованы результаты 951 матча.
Рассчитав систему уравнений, получим следующие результаты (табл. 1). В таблице используются обозначения: ПМ - это количество исходов сошедшихся с результатом рейтинговой оценки соперников, РМ - количество матчей с выявленным победителем.
№ Команды R ПМ РМ Степень соответствия модели, %
1. Лос-Анджелес Доджерс 1,8125 56 78 71,79
2. Атланта Брэйвз 1,5038 46 72 63,89
3. Тампа Бэй Рейс 1,4941 51 80 63,75
4. Нью-Йорк Янкис 1,4396 40 67 59,70
5. Сан-Диего Падрес 1,3646 44 66 66,67
6. Филадельфия Филлис 1,2153 33 60 55,00
7. Вашингтон Нэшионалс 1,2106 31 60 51,67
8. Торонто Блю Джейс 1,1989 36 62 58,06
9. Нью-Йорк Метс 1,1670 36 60 60,00
10. Балтимор Ориолс 1,1587 28 60 46,67
11. Окленд Атлетикс 1,1353 40 67 59,70
12. Сан-Франциско Джайентс 1,1293 39 60 65,00
13. Хьюстон Астрос 1,1174 47 73 64,38
14. Майами Марлинс 1,1008 33 65 50,77
15. Бостон Ред Сокс 1,0768 36 60 60,00
16. Аризона Даймондбэкс 1,0377 37 60 61,67
17. Лос-Анджелес Энджелс 0,9853 33 60 55,00
18. Колорадо Рокиз 0,9232 34 60 56,67
19. Сиэтл Маринерс 0,9167 38 60 63,33
№ Команды К ПМ РМ Степень соответствия модели, %
20. Чикаго Уайт Сокс 0,8451 38 63 60,32
21. Миннесота Твинс 0,8234 39 62 62,90
22. Кливленд Индианс 0,7829 35 62 56,45
23. Техас Рэйнджерс 0,7813 38 60 63,33
24. Чикаго Кабс 0,7103 33 62 53,23
25. Сент-Луис Кардиналс 0,7063 34 61 55,74
26. Канзас-Сити Роялс 0,6464 36 60 60,00
27. Цинциннати Редс 0,6413 37 62 59,68
28. Милуоки Брюэрс 0,6077 33 62 53,23
29. Детройт Тайгерс 0,5579 38 58 65,52
30. Питтсбург Пайрэтс 0,4973 41 60 68,33
Итого: 1.0 1140 1902 59,94
Коэффициент влияния фактора своего поля в этом варианте расчета
к, = 4462,71 / 4272,63 = 1,044.
Этот показатель в бейсболе оказался меньше, чем в хоккее, где к = 1,087 [12]. Это свидетельствует о том, что в бейсболе фактор своего поля оказывает меньшее влияние, чем в хоккее. Как видно из результатов, степень соответствия модели составила 59.94%. Важно добавить, что степень соответствия модели несколько выше средних показателей, которые колеблются от 54,43% до 57,00%. Анализ результатов показывает, что влияние фактора своего поля в сезоне 2020 составил 4.4%. На основании проведенного расчета можно определить силу лиг (таблица 2) и дивизионов (таблица 3).
Таблица 2 - Уровень лиг
№ Лига К 4 ПМ РМ Степень соответствия модели, %
1. Американская лига 0,98288 4360,29 4436,22 573 954 60,06
2. Национальная лига 1,01723 4482,53 4406,61 567 948 59,81
Итого: 1.0 8842,82 8842,83 1140 1902 59,94
На основании этих данных можно сделать вывод, что команды Национальной лиги сильнее по подбору команд Американской лиги. При этом результаты выступления команд в Американской лиге более предсказуемы, чем выступления команд в Национальной лиге.
Таблица 3 - Уровень дивизионов
№ Дивизион К 4 ПМ РМ Степень соответствия модели, %
1. Восточный дивизион (АЛ) 1,26923 1786,03 1407,18 191 329 58,05
2. Центральный дивизион (АЛ) 0,71971 1115,06 1549,32 186 305 60,98
3. Западный дивизион (АЛ) 0,98613 1459,20 1479,72 196 320 61,25
4. Восточный дивизион (НЛ) 1,24300 1743,91 1402,99 179 317 56,47
5. Центральный дивизион (НЛ) 0,62706 1004,45 1601,84 178 307 57,98
6. Западный дивизион (НЛ) 1,23712 1734,17 1401,78 210 324 64,81
Итого: 1.0 8842,82 8842,83 1140 1902 59,94
На основании этих данных можно сделать вывод, что самыми сильными являются команды восточного дивизиона американской лиги, а самыми слабыми команды центрального дивизиона национальной лиги. Наиболее предсказуемыми являются выступления команд западного дивизиона национальной лиги, а самыми непредсказуемыми - выступления команд восточного дивизиона национальной лиги.
ВЫВОДЫ
В процессе решения заявленной проблематики была разработана модель, основанная на единой системе уравнений, с вычислением постоянного показателя -
коэффициента влияния фактора своего поля.
В результате применения указанной модели к изучению возможностей определения силы команд, прогнозирования конечных итогов, было выявлено:
1) фактор своего поля оказывает влияние на результаты игры;
2) применение модели способствует повышению соответствия прогнозирования реальным итогам;
3) модель может применяться для прогнозирования результатов, как отдельных матчей, так и турниров.
Фактор своего поля в бейсболе оказывает меньшее влияние на результаты игр, чем в хоккее. Полученные данные свидетельствуют о высокой степени соответствия предложенной математической модели и о возможности применения рейтинга для оценки результатов выступлений команд.
ЛИТЕРАТУРА
1. Полозов А. А. Рейтинг в спорте: вчера, сегодня, завтра. - Москва : Советский спорт, 2007. - 316 с.
2. Прогнозирование результатов ЧМ-2018 на основе нового алгоритма консолидации данных / А.А. Полозов, Е.А. Суворова, А.В. Мельникова, А.В. Корелина, С.В. Михряков // Ученые записки университета им. П.Ф. Лесгафта. - 2018. - № 4(158). - С. 263-269.
3. Быков А.В. Система рейтинга в командных игровых видах спорта (хоккей с шайбой, хоккей на траве, флорбол) / А.В Быков. // Символ науки: международный научный журнал. - 2015. - № 8. - С. 222-224.
4. Тугарев А.С. Проектирование балансной рейтинг-системы / А.С. Тугарев // Информационные системы и технологии 2015 : материалы III Международной научно-технической интернет-конференции. - Орел : Стерх, - С. 74.
5. Крутиков А.К. Каскадная структура системы прогнозирования на основе различных моделей искусственных нейронных сетей / А.К. Крутиков // Южно-Сибирский научный вестник. -2021. - № 1 (35). - С. 46-52.
6. Мельцов В.Ю. Особенности формирования обучающей выборки при прогнозировании боксерского поединка за титул чемпиона мира по версии WBC с использованием LVQ-сети / В.Ю. Мельцов, А.К. Крутиков, В. Д. Подковырин // Научно-технический вестник Поволжья. - 2020. - № 4. - С. 59-61.
7. Крутиков А.К. Разработка и модификация модульной структуры системы прогнозирования спортивных результатов / А.К. Крутиков, В.Ю. Мельцов, В. Д. Подковырин // Современные наукоемкие технологии. - 2019. - № 11-1. С. 72-76.
8. Крутиков А.К. Особенности обучения нейронной сети векторного квантования при разработке специализированного программного модуля / А. К. Крутиков // Южно-Сибирский научный вестник. - 2019. - № 2 (26). - С. 150-154.
9. Применение нейросетевых алгоритмов кластерного анализа при решении задач прогнозирования спортивных событий / В.Ю. Мельцов, А.К. Крутиков, М.Л. Долженкова, Г.А. Чистяков, В. Д. Подковырин // Научно-технический вестник Поволжья. - 2018. - № 12. - С. - 250-252.
10. Использование каскадной нейронной сети прямой передачи для прогнозирования спортивных достижений в толкании ядра / В.Ю. Мельцов, В. Д. Подковырин, В. Л. Клюкин, А.К. Крутиков // Научно-технический вестник Поволжья. - 2018. - № 4. - С. 136-139.
11. Юшкин В.Н. Система определения рейтинга / В.Н. Юшкин // Современная наука: актуальные проблемы теории и практики. Серия: Гуманитарные науки. - 2020. - № 1. - С. - 122-126.
12. Юшкин В.Н. Оценка результатов выступления команд с применением математической модели / В.Н. Юшкин // Ученые записки университета им. П.Ф. Лесгафта. - 2020. - № 11 (189). - С. 601-607.
REFERENCES
1. Polozov, A.A. (2007), Rating in sport: yesterday, today, tomorrow, Soviet sport, Moscow.
2. Polozov, A.A., Suvorova, E.A., Melnikova, A.V., Korelina, A.V. and Mikhryakov, S.V. (2018), "Forecasting of results of the 2018 World Cup on the basis of a new algorithm of consolidation of data", Uchenye zapiski universiteta imeni P.F. Lesgafta, Vol. 4 (158), pp. 263-269.
3. Bykov, A.V. (2015), "Rating system in team game sports (ice hockey, field hockey, floor-ball)", Symbol of Science: international scientific journal, Vol. 8, pp. 222-224.
4. Tugarev A.S. (2015), "Designing a balance rating system", Information systems and technologies 2015, proceedings of the III International scientific and technical Internet conference, Sterkh, Orel, pp. 74.
5. Krutikov, A.K. (2021), "Cascade structure of a forecasting system based on various models of artificial neural networks", South Siberian Scientific Bulletin, Vol. 1 (35), pp. 46-52.
6. Meltsov V.Yu., Krutikov A.K. and Podkovyrin V.D. (2020), "Features of the formation of a training sample when predicting a boxing match for the world title according to the WBC version using the LVQ-network", Scientific and technical bulletin of the Volga region, No. 4, pp. 59-61.
7. Krutikov, A.K., Meltsov, V.Yu. and Podkovyrin, V.D. (2019), "Development and modification of the modular structure of the system for predicting sports results", Modern science-intensive technologies, No. 11-1, pp. 72-76.
8. Krutikov, A.K. (2019), "Features of training a neural network of vector quantization in the development of a specialized software module", South Siberian Scientific Bulletin, Vol. 2 (26), pp. 150154.
9. Meltsov, VYu., Krutikov, A.K., Dolzhenkova, M.L., Chistyakov, G.A. and Podkovyrin, V.D. (2018), "Application of neural network algorithms for cluster analysis in solving problems of predicting sports events", Scientific and technical bulletin of the Volga region, No. 12, pp. 250-252.
10. Meltsov, V.Yu., Podkovyrin, V.D., Klyukin, V.L. amd Krutikov, A.K. (2018), "The use of a cascading neural network of direct transmission for predicting sports achievements in shot put", Scientific and technical bulletin of the Volga region, No. 4, pp. 136-139.
11. Yushkin, V.N. (2020), "The Ranking System", Sovremennaya nauka: aktualnye problemy te-orii ipraktiki. Seriya: Gumanitarnye nauki, No. 1, pp. 122-126.
12. Yushkin, V.N. (2020), "Evaluation of the results of the performance of teams using a mathematical model", Uchenye zapiski universiteta imeni P.F. Lesgafta, No. 11 (189), pp. 601-607.
Контактная информация: aup-volgau@yandex.ru
Статья поступила в редакцию 04.04.2021
