用于分析体育中定位轨迹的高斯过程
机器学习
2019-07-09 v1 信号处理
机器学习
摘要
近年来，基于核的机器学习方法在探索和建模大型数据集方面受到越来越多的关注。高斯过程（GP）是此类基于核的方法的一个例子，它可以为非线性建模问题提供非常好的性能。在这项工作中，我们首先提出一种灰盒建模方法来分析越野滑雪比赛中的受力。更确切地说，一组严谨的动力学运动模型公式与数据驱动的高斯过程回归模型相结合，后者解释了系统中所有未知因素。然后，提出一种建模方法来分析个体及滑雪者群体的动力学流动。所提方法可普遍应用于具有定位轨迹和动力学测量的用例。使用从 2015 年法伦北欧世界滑雪锦标赛（特别是男子越野 km 接力）收集的数据对所提方法进行评估。对越野滑雪比赛中的受力进行分析和比较。还评估了滑雪者在比赛不同阶段的的速度模型。最后，对灰盒与黑盒方法进行比较，其中灰盒方法可将预测不确定性降低 至 。
引用
@article{arxiv.1907.03043,
title = {Gaussian Processes for Analyzing Positioned Trajectories in Sports},
author = {Yuxin Zhao and Feng Yin and Fredrik Gunnarsson and Fredrik Hultkrantz},
journal= {arXiv preprint arXiv:1907.03043},
year = {2019}
}
备注
31pages, 28 figures