CC BY
52
возможности получения рекомендации по улучшению результативности сборных команд, готовящихся к участию в чемпионате европы по футболу евро-2016 методом
неИросетевого моделирования
Л.Н. ЯСНИЦКИЙ, Ю.С. АБРАМОВА, С.Д. БАБУШКИНА, Пермский государственный национальный исследовательский университет
Аннотация
На базе нейронной сети разработана компьютерная программа, предназначенная для получения рекомендаций по улучшению результативности футбольных команд с учетом их индивидуальных особенностей. Работа программы продемонстрирована на примере сборных команд России и Испании, готовящихся к участию в чемпионате Европы по футболу Евро-2016.
Для каждой команды выявлены и исследованы зависимости их результативности от возраста тренера, среднего возраста игроков, количества бомбардиров в команде и др. Программа может быть также использована для получения полезных рекомендаций и для футбольных команд других стран. Методика нейросетевого моделирования может быть использована для создания аналогичных компьютерных программ, позволяющих получать рекомендации по улучшению результативности как спортивных команд, так и отдельных спортсменов, участвующих в любых соревнованиях по любым видам спорта.
Ключевые слова: футбол, чемпионат Европы, прогноз, результативность, возраст тренера, средний возраст игроков команды, количество бомбардиров, нейронная сеть.
Abstract
A neural network designed to produce recommendations to improve the effectiveness of the football teams, taking into account their individual characteristics have been developed. Possibilities of a neural network has been demonstrated by the example of the national teams of Russia and Spain, who are preparing to participate in the European Football Championship Euro-2016. There have been detected and investigated the influence of the age of the coach, the influence of middle-aged of players, the impact of the number of scorers in the team, etc. on the effectiveness of each team. A computer program can also be used to produce useful recommendations for other football teams of other countries. The proposed method of neural network modeling can be used to create a similar computer programs to obtain of recommendations on how to improve the performance of sports teams and individual athletes participating in competitions in any sports.
Key words: football, European Championship, forecast, performance, coach age, average age of the players in team, number of scorers, neural network.
Введение
В последнее время в спортивной науке наряду с классическими методами регрессионного анализа находят успешное применение нейросетевые технологии. Нейронные сети используются для предсказания результатов спортивных состязаний [5-7, 9-11, 13], прогнозирования численных значений мировых рекордов [1], выявления перспективных спортсменов при формировании спортивных команд [14], выявления наиболее важных факторов, влияющих на исход игры [12] и др.
С удовлетворением отметим, что спортивные прогнозы, полученные нами ранее методом нейросетевого моделирования, опубликованные в работах [5-7, 9], оказались верными. Так, в работе [9], опубликованной в 2013 году, нами был выполнен подтвердившийся впоследствии1 прогноз места в неофициальном командном
зачете российских спортсменов на зимней Олимпиа-де-2014. В работах [6, 7], опубликованных в 2014 году, выполнен подтвердившийся прогноз результатов Чемпионата мира-2015 по легкой атлетике.
Между тем в мировой спортивной литературе практически отсутствуют публикации, посвященные применению еще одной замечательной возможности нейронных сетей - не только предсказывать будущие события, но и получать рекомендации, позволяющие влиять на эти события, т.е. давать рекомендации спортсменам и спортивным командам, каким образом можно улучшить результаты и занять более высокие места, изменив прогнозы в лучшую сторону.
По-видимому, впервые такие попытки были предприняты нами в 2013 году и описаны в статье [5]. В этой работе методом нейросетевого моделирования
1
В указанной работе российским спортсменам в их традиционных видах спорта прогнозировалось 4-е место на 0лимпиаде-2014, тогда как по факту в медальном зачете Россия заняла первую строчку. Однако, если из 13 медалей, завоеванных российской сборной, вычесть пять золотых медалей, принесенных России приглашенными иностранными спортсменами Виком Уайльдом и Виктором Аном (в нетрадиционных для России видах спорта), то как раз и получается прогнозируемое 4-е место.
удалось получить несколько полезных рекомендаций для некоторых спортсменов, готовящихся к участию в 0лимпиаде-2014. Как следует из сообщения [2], одна из этих рекомендаций была принята к сведению и, очевидно, учтена тренером А. Мишиным при подготовке фигуриста Е. Плющенко2.
В следующих работах [6, 7], выполненных по той же методике, ямайскому спортсмену-бегуну У. Болту на Чемпионате мира-2015 по легкой атлетике прогнозировалось первое место. Для его потенциальных конкурентов Т. Гэя, К. Леметра, Н. Картера, Й. Блэйка и Д. Гэтлина с помощью нейронной сети были получены индивидуальные рекомендации, позволяющие существенно повысить их шансы на победу. Однако эти рекомендации не были учтены в программах подготовки спортсменов, и У. Болту удалось сохранить звание чемпиона мира.
Настоящая статья посвящена предстоящему чемпионату Европы по футболу Евро-2016.
Методика построения математической модели
При построении нейросетевой математической модели было сформировано множество примеров, основанных на результатах предыдущих чемпионатов Европы по футболу. Входные параметры модели, по которым оценивались футбольные команды, были взяты исходя из доступности информации в сети Интернет. К ним относились: средний возраст игроков; возраст тренера; сколько лет тренер тренирует сборную; число забитых мячей команды в отборочных матчах; число пропущенных мячей команды в отборочных матчах; хозяйка чемпионата (на стадионе какой страны проводился матч); количество бомбардиров футбольной команды; сыгранность состава (на сколько сыграны между собой игроки в каждой команде); входит ли игрок в список лучших вратарей мира; лучшие футболисты ХХ века по версии МФФИИС (присутствуют ли в команде); религия большинства населения страны (которую представляет команда); к какой группе языков относится государственный язык страны; лидер или аутсайдер; титулованность сборной - всего 14 параметров.
Выходной параметр модели кодировал результат матча: 1 - первое призовое место, 2 - второе призовое место, 3 - третье призовое место, 10 - все остальные места.
Все множество собранных примеров было разбито в соотношении 85:15 на обучающее множество, которое использовалось для обучения сети, и тестирующее множество, предназначенное для проверки ее прогностических свойств. Естественно, что примеры тестирующего множества при обучении сети не использовались. Проектирование, оптимизация, обучение, тестирование нейронной сети и эксперименты над нейросетевой математической моделью выполнялись по методике [4, 6] с помощью нейросимулятора [3]. Среднеквадратичная
ошибка на тестирующих примерах, в т.ч. полученная методом многократной перекрестной проверки, составила 9%.
Результаты компьютерных экспериментов
После того, как адекватность математической модели доказана и оценена ее погрешность, она может быть использована для выявления закономерностей моделируемого явления [8], в частности - для прогнозирования результатов чемпионата Евро-2015 и получения рекомендаций, позволяющих повлиять на эти результаты. Однако прежде была оценена значимость входных параметров, т.е. степень их влияния на результат моделирования -места в итоговой таблице чемпионата.
Объективная оценка степени влияния входных параметров на результат математического моделирования была получена путем поочередного исключения входных параметров и наблюдения за погрешностью ее тестирования. Чем выше оказывается погрешность тестирования, тем значимее соответствующий исключенный входной параметр. Построенная таким способом гистограмма, представленная на рис. 1, показывает, что наибольшее влияние на результат сборных имеют параметры: хозяйка чемпионата, количество бомбардиров, лидер или аутсайдер, средний возраст игроков, возраст тренера.
Дальнейшая цель наших исследований состояла в выяснении характера влияния наиболее значимых входных параметров модели на результат моделирования - места на чемпионате Евро-2016. Для проведения виртуальных компьютерных экспериментов были выбраны две команды: сборная России, являющаяся аутсайдером чемпионата, и сборная Испании - несомненный лидер чемпионата. Цель исследований состояла в подборе параметров таким образом, чтобы сборная России со временем смогла стать призером чемпионата, а сборная Испании продолжала оставаться лидером.
Результаты математического моделирования представлены на рис. 2-4. Исследования выполнены путем «замораживания» (фиксации) одних входных параметров и изменения других входных параметров при одновременном наблюдении за значением выходного сигнала нейросети, показывающего прогнозируемое место команды в итоговой таблице чемпионата. На этих рисунках маркером увеличенного размера помечены результаты прогноза места в чемпионате, соответствующие реально существующим параметрам команд, а маркерами меньших размеров - результаты прогнозирования, соответствующие виртуальным значениям параметров команд.
На рисунке 2 представлены результаты прогнозирования места в чемпионате сборных команд России и Испании при постепенном (виртуальном) изменении
2
В указанной работе [5] фигуристу Е. Плющенко прогнозировалось 2 место на 0лимпиаде-2014. Также ему было рекомендовано снижение веса, с чем незадолго до Олимпиады согласился его тренер А. Мишин (см. [2]). Напомним, что в командных соревнованиях на 0лимпиаде-2014 Е. Плющенко показал блестящий результат, благодаря чему команда получила золотую медаль.
Теория и методика спорта высших достижений
0,25
0,2 ■
О СР
0,15 ■
(С СР
и
о о
=г 0,1
и
со
0,05
М111111.
^ ^ ^ ^ Л? ^
о"5
ч<г.°
/ ^ / ^ #
„■У
° С* ^
У ^ .
&
у
.й-
оГ
оГ
у
Рис. 1. Оценка степени влияния параметров сборных команд на их результат на чемпионате Евро-2016
среднего возраста игроков и сохранении всех остальных параметров неизменными. Как видно из рис. 2, результат сборной России улучшится, если средний возраст ее игроков составит 32-34 года, средний же возраст игроков сборной Испании, для того чтобы она продолжала занимать лидирующие позиции, не должен быть ниже 26 лет.
На рисунке 3 изображены зависимости прогнозируемых результатов сборных команд тех же стран, полученные при изменении возраста тренеров. Анализируя полученные таким образом кривые, можно заключить,
что результативность сборной России с изменением возраста ее тренера не меняется. А вот сборной Испании не следует нанимать тренера моложе 46 лет.
Как видно из рис. 4, полученного аналогичным способом, шансы России стать призером чемпионата Евро-2016 существенно возрастут, если в ее команде увеличить число бомбардиров до семи-восьми человек. Сборной же Испании, для того чтобы не потерять свое лидерство, нельзя сокращать количество бомбардиров в своем составе ниже пяти.
с*)
0
12 10 8 6 4 2 0
Россия
10
Я 6
20
22
24
26
28
30
32
34
Средний возраст игроков сборной
Испания
20
22
24 26 28 30
Средний возраст игроков сборной
32
34
Рис. 2. Зависимость прогнозируемого места на чемпионате Евро-2016 сборной России и Испании
от среднего возраста ее игроков
8
4
2
0
12
3 10
Россия
40
44
48
52 56 60
Возраст тренера
64
68
72
Испания
40 43 46 49 52 55 58 61 64 67 70
Возраст тренера
Рис. 3. Зависимость прогнозируемого места на чемпионате Евро-2016 сборной России
и Испании от возраста тренера
2,5 2 1,5 1
0,5
с*)
8
6
4
2
0
3
0
Россия
Количество бомбардиров в составе сборной
Испания
Количество бомбардиров в составе сборной
Рис. 4. Зависимость прогнозируемого места на чемпионате Евро-2016 сборной России и Испании от количества бомбардиров в составе сборных команд
Заключение
Создана нейросетевая математическая модель, позволяющая не только прогнозировать результаты чемпионата Европы по футболу Евро-2016, но и получать полезные рекомендации по улучшению результативности сборных команд с учетом их индивидуальных особенностей. Нейросетевая модель реализована в виде компьютерной программы, работа которой продемонстрирована при получении индивидуальных рекомендаций для сборных команд России и Испании.
Разработанная компьютерная программа может быть использована для получения полезных рекомендаций и для футбольных команд других стран, готовящихся к участию в чемпионате Европы по футболу Евро-2016. Методика нейросетевого моделирования может быть использована для создания аналогичных компьютерных программ, позволяющих получать рекомендации по улучшению результативности как спортивных команд, так и отдельных спортсменов, готовящихся к участию в любых соревнованиях по любым видам спорта.
Литература
1. Касюк С.Т., Вахтомова Е.М. Использование нейронных сетей для анализа и прогнозирования данных в физической культуре и спорте // Ученые записки университета имени П.Ф. Лесгафта. - 2013. - № 12 (106). - С. 72-77.
2. Семченко О. Пермские ученые занялись спортивными прогнозами // Поиск. Еженедельная газета Научного сообщества. - 2014. - № 7.
3. Черепанов Ф.М., Ясницкий Л.Н. Нейросимулятор 4.0. Свидетельство о государственной регистрации программы для ЭВМ № 2014612546. Заявка Роспатент № 2014610341. Зарегистрировано в Реестре программ для ЭВМ 28 февраля 2014 г.
4. Ясницкий Л.Н. Введение в искусственный интеллект. М.: Издательский центр «Академия», 2005. - 176 с.
5. Ясницкий Л.Н., Внукова О.В., Черепанов Ф.М. Прогноз результатов 0лимпиады-2014 в мужском одиночном фигурном катании методами искусственного интеллекта // Современные проблемы науки и образования. - 2014. - № 1; URL: http://www.science-education.ru/115-11339 (дата обращения: 25.12.2013).
6. Ясницкий Л.Н., Киросова А.В., Ратегова А.В., Черепанов Ф.М. Методика прогнозирования результатов спортивных состязаний на примере Чемпионата мира-2015 по легкой атлетике // Вестник Пермского университета. Серия: Математика. Механика. Информатика. - 2014. № 3. - С. 90-97.
7. Ясницкий Л.Н., Кировоса А.В., Ратегова А.В., Черепанов Ф.М. Прогноз результатов Чемпионата мира-2015 по легкой атлетике методами искусственного интел-
лекта // Современные проблемы науки и образования. - 2014. - № 4; URL: www.science-education.ru/ 118-14423 (дата обращения: 28.08.2014).
8. Ясницкий Л.Н. Нейронные сети - инструмент для получения новых знаний: успехи, проблемы, перспективы // Нейрокомпьютеры: разработка, применение. - 2015. -№ 5. - С. 48-56.
9. Ясницкий Л.Н., Павлов И.В., Черепанов Ф.М. Прогнозирование результатов Олимпийских игр 2014 года в неофициальном командном зачете методами искусственного интеллекта // Современные проблемы науки и образования. - 2013. - № 6; URL: http://www.science-education.ru/113-11206 (дата обращения: 25.12.2013).
10. Blaikie A.D., Abud GJ, David JA, Pasteur R.D. NFL and NCAA Football Prediction using Artificial Neural Networks // Proceedings of the Midstates Conference for
Undergraduate Research in Computer Science and Mathematics, Denison University, Granville, OH, 2011.
11. David J.A., Pasteur R.D., Ahmad M.S., Janning M.C. NFL Prediction using Committees of Artificial Neural Networks // Journal of Quantitative Analysis in Sports. -2011. - Vol. 7. - Iss. 2, Article 9.
12. Ivankovic Z, Rackovic M, Markoski B, Radosav D, Ivkovic M. Appliance of Neural Networks in Basketball Scouting // Acta Polytechnica Hungarica. - 2010. -Vol. 7 - No 4. - P. 167-180.
13. Loeffelholz B., Bednar E., Bauer K.W. Predicting NBA Games Using Neural Networks // Journal of Quantitative Analysis in Sports. - 2009. - Vol. 5. - Issue 1, Article 7.
14. McCullagh J. Data Mining in Sport: A Neural Network Approach // International Journal of Sports Science and Engineering. - 2010. - Vol. 4. - No 3. - P. 131-138.
References
1. Kasjuk S.T., Vahtomova E.M. Using neural networks for analysis and forecasting data in physical culture and sports // Uchenye zapiski universiteta imeni P.F. Lesga-fta. - 2013. - No 12 (106). - P. 72-77.
2. Semchenko O. Perm scientists engaged in sports predictions // Poisk. Ezhenedel'naja gazeta Nauchnogo soobsh-hestva. 2014. - No 7.
3. Cherepanov F.M., Yasnitsky L.N. Neurosimulator 4.0. Certificate of state registration of the computer program № 2014612546. The application Rospatent № 2014610341. Registered in Computer Program Register on 28 February 2014.
4. Yasnitsky L.N. Introduction to Artificial Intelligence. Moscow: Publishing Center «Akademija», 2005. - 176 p.
5. Yasnitsky L.N., Vnukova O.V., Cherepanov F.M. Forecast results of the 2014 Olympics in the men's figure skating by artificial intelligence method. // Sovremennye problemy nauki i obrazovanija. - 2014. - No 1; URL: http://www. science-education.ru/115-11339.
6. Yasnitsky L.N., Kirosova A.V., Rategova A.V., Cherepanov F.M. The method of predicting sports results by the example of the World Cup 2015 in Athletics // Vestnik Permskogo universiteta. Serija: Matematika. Mehanika. Informatika. - 2014. - No 3. - P. 90-97.
7. Yasnitsky L.N., Kirovosa A.V., Rategova A.V., Cherepanov F.M. Forecast results of World Cup 2015 in athletics with the help of artificial intelligence methods // Sovremen-nye problemy nauki i obrazovanija. - 2014. - No 4; URL: www.science-education.ru/118-14423.
8. Yasnitsky L.N. Neural networks - a tool for acquiring new knowledge: the Successes, Problems and Prospects // Nejrokomp'jutery: razrabotka, primenenie. - 2015. -No 5. - P. 48-56.
9. Yasnitsky L.N., Pavlov I.V., Cherepanov F.M. Predicting the results of Olympic Games 2014 the unofficial team standings through the methods of artificial intelligence // Sovremennye problemy nauki i obrazovanija. - 2013. -No 6; URL: http://www.science-education.ru/113-11206.
10. Blaikie A.D, Abud GJ, David J.A, Pasteur R.D. NFL and NCAA Football Prediction using Artificial Neural Networks // Proceedings of the Midstates Conference for Undergraduate Research in Computer Science and Mathematics, Denison University, Granville, OH, 2011.
11. David J.A., Pasteur R.D., Ahmad M.S., Janning M.C. NFL Prediction using Committees of Artificial Neural Networks // Journal of Quantitative Analysis in Sports. -2011. - Vol. 7. - Iss. 2. - Article 9.
12. Ivankovic Z., Rackovic M., Markoski B., Radosav D., Ivkovic M. Appliance of Neural Networks in Basketball Scouting // Acta Polytechnica Hungarica. - 2010. -Vol. 7. - No 4. - P. 167-180.
13. Loeffelholz B., Bednar E., Bauer K.W. Predicting NBA Games Using Neural Networks // Journal of Quantitative Analysis in Sports. - 2009. - Vol. 5. - Issue 1. -Article 7.
14. McCullagh J. Data Mining in Sport: A Neural Network Approach // International Journal of Sports Science and Engineering. - 2010. - Vol. 4. - No 3. - P. 131-138.
