本发明涉及计算机技术领域，尤其涉及一种篮球运动员的团队价值量评估方法。
背景技术：
分析篮球运动员的行为，衡量他们的价值，对于打造一支优秀的篮球队至关重要。如果没有对一名篮球运动员进行详细评估的方法，团队经理就无法根据不同类型和价值量的运动员，制定不同的策略。对球员价值量的评估方法不仅可以为团队提供建议，并且对管理者制定策略也起着重要的作用。另外，准确全面的评估方法也能为安排战术的教练和自我训练的球员提供参考。
传统的评估方法经常使用具体的统计数据，从球员在比赛中的得分、篮板、助攻等对他的价值量做出判断。这样的方法可以对球员的状态和能力有一定的判断，但是球员在团队中的隐藏作用(如每回合对团队的有效组织)却没法评估出来，可见，传统的评估方式并不准确。因此，现有技术提出了结合图论的中心性属性来分析球员的价值量，如图1所示。图1将球员抽象成图中的顶点，把球员之间相互的联系用边和相对应的权重值来表示。它加强了对球员在团队中价值量的判断，但是它所展示的往往只能是在场上的主力球员，对板凳球员的价值量不能客观的评价。此外，这种评估方法也会漏掉运动员在赛场上的不小细节，从而降低球员价值量评估的准确性和稳定性。
技术实现要素：
本发明实施例提出一种篮球运动员的团队价值量评估方法，克服通过单一对图论中心性来衡量球员对团队的贡献时所造成的不全面性和不准确性的问题，提高了评估的效率和准确率。
本发明实施例提供一种篮球运动员的团队价值量评估方法，包括：
获取团队中每个球员的基本数据；所述基本数据包括：球员之间相互传球的次数、球员处理球时得分或不得分的次数、以及球员作为每回合的组织者的次数；
根据每个球员的所述基本数据，结合隐马尔可夫模型训练，分别获得每个球员对应的状态转移概率矩阵、观察状态概率矩阵和初始状态概率分布的训练值；其中，所述状态转移概率矩阵由所有球员之间相互传球的频率组成；所述观察状态概率矩阵由所有球员得到不同分数的概率组成；所述初始状态概率分布由所有球员分别作为初始组织者的概率组成；
根据每个球员对应的状态转移概率矩阵、观察状态概率矩阵和初始状态概率分布的训练值，建立可视化的价值量评估结果，以评估每个球员的团队价值量。
进一步的，所述根据每个球员的所述基本数据，结合隐马尔可夫模型训练，分别获得每个球员对应的状态转移概率矩阵、观察状态概率矩阵和初始状态概率分布的训练值，具体为：
根据每个球员的所述基本数据，得出每个球员对应的状态转移概率矩阵、观察状态概率矩阵和初始状态概率分布，具体如下：
状态转移概率矩阵：
观察状态概率矩阵：
初始状态概率分布：
再利用隐马尔可夫模型进行训练，隐马尔可夫模型具体如下：
其中，O为每回合的得分；I为每回合主导比赛的球员；λ是极大化的隐马尔可夫模型参数；
训练后，分别获得每个球员对应的状态转移概率矩阵、观察状态概率矩阵和初始状态概率分布的训练值，具体如下：
状态转移概率矩阵的训练值：
观察状态概率矩阵的训练值：
初始状态概率分布的训练值：
进一步的，所述根据每个球员对应的状态转移概率矩阵、观察状态概率矩阵和初始状态概率分布的训练值，建立可视化的价值量评估结果，具体为：
根据每个球员对应的状态转移概率矩阵的训练值，建立所有球员的赛场关系图；所述赛场关系图中的每个节点代表一个球员，节点之间的边为球员之间的传球配合，边的箭头表示传球的方向，每条边通过颜色的设置区分球员之间的传球比重；
根据每个球员对应的观察状态概率矩阵的训练值，建立可视化饼状图，以展示各球员在每个回合的表现；
根据每个球员对应的初始状态概率分布的训练值，建立可视化柱状图，以体现各球员在回合组织中所占的比重。
进一步的，所述基本数据还包括：每场得分、篮板次数、助攻次数、抢断次数、盖帽次数、犯规次数、罚球次数、罚球命中率、球员触球次数和球员命中率。
进一步的，所述团队价值量评估方法还包括：根据所述基本数据和所述价值量评估结果，评估每个球员的团队价值量。
实施本发明实施例，具有如下有益效果：
本发明实施例提供的篮球运动员的团队价值量评估方法，先获取团队中每个球员的基本数据，然后根据每个球员的基本数据，结合隐马尔可夫模型训练，分别获得每个球员对应的状态转移概率矩阵、观察状态概率矩阵和初始状态概率分布的训练值，再以此建立可视化的价值量评估结果，以评估每个球员的团队价值量。相比于现有技术只注重场上主力人员的评估方法，本发明技术方案能提高评估的效率和准确率。此外，本发明技术方案提出了将表现球员价值量的参数进行可视化，更直观的表现出球员与团队的配合情况，场上选择和每回合球队进攻等抽象概念，准确度更高，操作门槛更低。
附图说明
图1是现有技术提供的图论的中心性属性的示意图；
图2是本发明提供的篮球运动员的团队价值量评估方法的一种实施例的流程示意图；
图3和图4是本发明提供的以球员为视角的一种实施例的赛场关系示意图；
图5是本发明提供的球员得分的一种实施例的饼状图；
图6是本发明提供的初始状态概率分布的一种实施例的柱状图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图2，是本发明提供的篮球运动员的团队价值量评估方法的一种实施例的流程示意图，该方法包括步骤101至步骤103，各步骤具体如下：
步骤101：获取团队中每个球员的基本数据；基本数据包括：球员之间相互传球的次数、球员处理球时得分或不得分的次数、以及球员作为每回合的组织者的次数。
在本实施例中，基本数据还包括：每场得分、篮板次数、助攻次数、抢断次数、盖帽次数、犯规次数、罚球次数、罚球命中率、球员触球次数和球员命中率。球员处理球时得分或不得分的次数具体为：球员得1分、得2分、得3分或不得分的次数，而每个进攻回合中的组织者是不同的，本发明将每个回合中控球时间最长的球员作为回合组织者。
在本实施例中，在采集球员的基本数据时可以但不限于通过摄像头得到球员视频，并从视频中提取得出每个球员的基本数据。
步骤102：根据每个球员的基本数据，结合隐马尔可夫模型训练，分别获得每个球员对应的状态转移概率矩阵、观察状态概率矩阵和初始状态概率分布的训练值；其中，状态转移概率矩阵由所有球员之间相互传球的频率组成；观察状态概率矩阵由所有球员得到不同分数的概率组成；初始状态概率分布由所有球员分别作为初始组织者的概率组成。
在本实施例中，本发明将球队的所有的球员定义为隐状态集合，每个球员都是一个隐状态；将比赛中所有回合中得到的分数按时间顺序排成一个序列，这个序列集合被称为显状态集合，每个回合的分数就是一个显状态。通过球员之间相互之间的传球次数得到球员之间的相互传球的频率，把所有球员之间通过这种传球频率得到的关系定义成一个矩阵，称这个矩阵为状态转移概率矩阵。每个回合的得分都是由球员获得的，将球员在每回合的得分状态记录下来，并且计算每个球员得到不同得分的次数和概率，将所有球员得到不同分数的概率定义成一个矩阵，称这个矩阵为观察状态概率矩阵。球队在比赛中每个进攻回合都会有球员组织，每个球员组织进攻回合的次数占所有进攻回合的次数的百分比可以称为该球员作为初始组织者的概率。本发明将所有的球员的这种概率定义成一个矩阵，称这个一维矩阵为初始状态概率分布。
在本实施例中，步骤102具体为：根据每个球员的所述基本数据，得出每个球员对应的状态转移概率矩阵、观察状态概率矩阵和初始状态概率分布，具体如下：
状态转移概率矩阵：
观察状态概率矩阵：
初始状态概率分布：
再利用隐马尔可夫模型进行训练，隐马尔可夫模型具体如下：
其中，O为每回合的得分；I为每回合主导比赛的球员；λ是极大化的隐马尔可夫模型参数；
训练后，分别获得每个球员对应的状态转移概率矩阵、观察状态概率矩阵和初始状态概率分布的训练值，具体如下：
状态转移概率矩阵的训练值：
观察状态概率矩阵的训练值：
初始状态概率分布的训练值：
为了更好地说明本步骤的原理，以下是算法公式的推导过程：
该算法主要是通过隐马尔可夫模型中的Baum-Welch算法进行了优化，这是这种方法第一次用于团体体育的参数训练中。以下是涉及的算法计算公式：
算法中涉及到的公式依次是训练状态转移概率矩阵中的具体数值：
训练观察(投球类型)概率矩阵中具体的数值：
训练初始状态分布的：
而在以上三个公式中的系数表示如下：
P(it＝qi，it+1＝qj，O|λ))＝αt(i)aijbj(Ot+1)βt+1(j).
本发明将每回合的得分看作观测数据O，每回合主导比赛的球员看作不可观测的隐数据I，那么隐马尔可夫模型事实上是一个含有隐变量的概率模型。
这个概率模型也是我们算法公式推导的前提。
接下来的参数学习，主要可以由EM算法来实现。
1.确定完全数据的对数似然函数。
所有观测数据写成O，所有隐数据写成I，完全数据是(O,I)。完全数据的对数似然函数是logP(O,I|λ)。
2.求Q函数。
其中是隐马尔可夫模型参数的当前估计值，λ是要极大化的隐马尔可夫模型参数。如果仔细观察式子的话，该式就是对随机变量I求期望。即
f(I)＝logP(O,I|λ)
又由得
这里可以看到式中求和都是对所有训练数的序列总长度T进行的。
由于要参数在上式中单独地出现在3个项中，所以只需要对各项分别极大化就可以得到三个参数的训练值。
步骤103：根据每个球员对应的状态转移概率矩阵、观察状态概率矩阵和初始状态概率分布的训练值，建立可视化的价值量评估结果，以评估每个球员的团队价值量。
在本实施例中，步骤103具体为：根据每个球员对应的状态转移概率矩阵的训练值，建立所有球员的赛场关系图；所述赛场关系图中的每个节点代表一个球员，节点之间的边为球员之间的传球配合，边的箭头表示传球的方向，每条边通过颜色的设置区分球员之间的传球比重；根据每个球员对应的观察状态概率矩阵的训练值，建立可视化饼状图，以展示各球员在每个回合的表现；根据每个球员对应的初始状态概率分布的训练值，建立可视化柱状图，以体现各球员在回合组织中所占的比重。
在本实施例中，状态转移概率矩阵能细粒化的表现出来球员与队友在赛场上的关系，并以此生成赛场关系图。赛场关系图运用了改进的加权有向图的方式，表现了球员之间的传球情况，与已有的单一的利用权重来表现传球次数相比，利用颜色和边的粗细更能表现出球员们在赛场上的关系。并且为了避免图形的复杂和能更好的对特定的球员进行价值量的评估，还创造性的提出了将以球员的视角出发(如图3和图4)所示，得到了该球员与团队中其他球员的配合情况。在这里要注意的是，图中颜色并无标出，但每个节点表示一个球员，节点之间的边是表示球员的相互配合。边的箭头表示传球的方向，边的粗细是对传球次数的多少进行定性的表示。本发明通过设置边的颜色，表现出一个球员传出的球和接到的球占他所有传出的球和接到的球的百分比。譬如，红色表示这个百分比超过了百分之二十，橙色表示在百分之十到百分至二十之间，蓝色表示百分之五到百分之十之间，绿色表示百分之一到百分之五，灰色表示这个百分比小于百分之一。
在本实施例中，观察状态概率矩阵表现的是对每个球员在以回合为单位的比赛中得分方式的选择。通过饼状图(如图5)球员每个回合的表现都进行了定量化的展现，代表了球员在比赛中不得分，得1分，得2分，得3分所占球员们在赛场上行为选择的概率。
初始状态概率分布描述的是球员在团队中作为主导球员(首次分配球)的回合占总回合次数的百分比分布。将一个团队中所有的球员这种分布用柱状图(如图6)来表示更能自观的体现球员在回合的组织中所占比重的大小。
作为本实施例的一种举例，团队价值量评估方法还包括：根据基本数据和价值量评估结果，评估每个球员的团队价值量。本举例将所有的基本数据和得出的价值量评估结果进行比对参考，评估每个球员的团队价值量，进一步提高球员评估的准确性。
由上可见，本发明实施例提供的篮球运动员的团队价值量评估方法，先获取团队中每个球员的基本数据，然后根据每个球员的基本数据，结合隐马尔可夫模型训练，分别获得每个球员对应的状态转移概率矩阵、观察状态概率矩阵和初始状态概率分布的训练值，再以此建立可视化的价值量评估结果，以评估每个球员的团队价值量。相比于现有技术只注重场上主力人员的评估方法，本发明技术方案能提高评估的效率和准确率。此外，本发明技术方案提出了将表现球员价值量的参数进行可视化，更直观的表现出球员与团队的配合情况，场上选择和每回合球队进攻等抽象概念，准确度更高，操作门槛更低。
进一步的，本发明将机器学习算法运用到团队球员对自己球队的价值量评估，解决了现有技术中必须要用极大的数据才能得到结果的问题，极大的节省了数据收集时的成本。而且本发明评估方法更注重球员在球队环境的表现，这对球队来说，能更准确的判断球员是否适合自己的团队，更有实际的价值性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。