Athlete performance prediction based on time series analysis and implications for physical education and training strategies
Notice bibliographique
Résumé
In this paper, time series analysis is used to monitor and predict the performance of athletes in sports training.A smooth time series model , ARMA p q model is established, a fixed-order method based on autocorrelation function and partial correlation function is proposed, and the parameters of the model are estimated, and least squares prediction is used for model prediction.The monitoring test data of hemoglobin (HGB) in sports performance of Z athletes of a club were used as the research object, and the smooth time series test was conducted to determine the ARMA (1,1) model as the optimal time series fitting model, and the fitting effect was tested.In the application of blood oxygen saturation (BOS) index, ARMA (1,1) model can predict the trend of BOS of athlete Z with good application effect.Based on the prediction of athletes' performance by ARMA (1,1) model, this paper further proposes the integrated neuromuscular training method (INT), and integrates it with physical training will to develop the INT physical education training strategy.In the application experiment of INT physical education training strategy, the test results of the experimental group of athletes applying the INT physical education training strategy in the six events of T-test sensitive running, agility ladder, vestibular step, blindfolded one-legged standing, 30-meter sprint running, and 60-meter sprint running presented P<0.05, and the athletes' performance was significantly better than that of the control group.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».