基于深度学习的重大体育赛事举办城市选址方法与流程

1.本发明属于城市选址领域，尤其是涉及一种基于深度学习的重大体育赛事举办城市选址方法。


背景技术：

2.对于重大赛事的选址工作，传统的工作模式是赛事组织者或承建者讨论研究各个候选城市的各项指标，从而得出举办的城市。此种工作方式过于依赖主观经验的判断，过度要求相关负责人的主观能力，缺乏客观依据支持，可能存在偏颇的情况，而对于决策的正确性和准确性也无法得到充分地证明，最终的结果也没有实际的依据作为印证，属于不完善的运作模式。


技术实现要素：

3.有鉴于此，本发明旨在提出一种基于深度学习的重大体育赛事举办城市选址方法，以解决面对重要的赛事活动进行选址时缺乏客观依据支持的问题。
4.为达到上述目的，本发明的技术方案是这样实现的：
5.基于深度学习的重大体育赛事举办城市选址方法，具体步骤如下：
6.s1、确定影响重大体育赛事举办城市选择结果的指标，对影响重大体育赛事举办城市选择结果的指标进行数据化；
7.s2、深度学习，构建深度学习的重大体育赛事举办城市选址模型，具体步骤如下：
8.s21、输入训练数据，设定一个所有数据均未定义k值矩阵；
9.s22、设定评估地址有n个，评估指标有m个，将影响重大体育赛事举办城市选择结果的指标转换为矩阵x＝(x
ij
)n×m，i∈[1,2,3,...n]，j∈[1,2,3,...m]，并对矩阵x进行归一化变换形成归一化矩阵y＝(y
ij
)n×m；
[0010]
s23、机器学习，以矩阵k与归一化矩阵y结合，结合反向传播算法以需要的结果为导向，对k值矩阵进行迭代训练，直至输出数据和预期值的差距缩小至最小，即算法收敛形成权重k’矩阵；
[0011]
s3、利用topsis分析方法，输入正式选址数据和权重k’矩阵，确定举办城市选址，具体步骤如下：
[0012]
s31、输入正式选址数据，重复步骤s22形成归一化矩阵z＝(z
ij
)n×m，
[0013]
s32、设定存在某一极理想化的举办地址，构造最优向量z
+
，从归一化矩阵z中，每个指标均选取最优值，构成最优向量，记为：
[0014]z+
＝(z
max1
，z
max2
，
…zmax m
)，
[0015]
同理，设定存在某一极不理想化的举办地址，构造最劣向量z-，从归一化矩阵z中，每个指标均选取最劣值，构成最劣向量，记为：
[0016]
z-＝(z
min1
，z
min2
，
…zminm
)；
[0017]
s33、计算每个候选地址归一化的向量在附加权重k’矩阵后与最优向量z
+
的距离
计算每个候选地址归一化的向量在附加权重k’矩阵后与最劣向量z-的距离
[0018]
s34、通过和计算每个候选地址的归一化的向量在附加权重k’矩阵后与最优向量的接近程度ci；
[0019]
s35、按照ci值从大到小的顺序对各候选城市进行排序，ci值越大方案越优。
[0020]
进一步的，步骤s1中，影响重大体育赛事举办城市选择结果的指标包括人均地区生产总值、居民人均消费支出、城市人口密度、普通高等学校在校学生数、中超上座人数、接待国际游客、赛事经历、长期赛事、联赛均价区间、近3年内过往重点赛事、商业赛上座率、举办赛事的平均气温、举办赛事的平均降水量、举办赛事的平均湿度。
[0021]
进一步的，步骤s1中，所述对影响重大体育赛事举办城市选择结果的指标进行数据化中，对于无法进行数据统计计算的定性指标转化成等级数据进行计算，定性指标包括长期赛事、联赛均价区间、近3年内过往重点赛事、商业赛上座率、举办赛事的平均气温、举办赛事的平均湿度，
[0022]
定性指标转化成等级数据具体方法如下：
[0023]
长期赛事的数值划分是根据城市拥有的球队数量决定，每拥有一支顶级赛事队伍加5分，次级队伍加3分，业余队伍加1分的计算方式来统计；
[0024]
赛事均价为成交价区间的均价；
[0025]
近3年过往重点赛事的是根据每场国际的赛事加5分，国内的赛事加3分；
[0026]
商业赛上座率是根据上座的比率进行定义，若上座8成，则为8分；
[0027]
举办赛事的平均气温是根据举办时间所在月份的平均气温减去22标准舒适气温指标决定；
[0028]
举办赛事的平均湿度是根据举办时间所在月份的平均湿度减去60标准舒适湿度指标决定。
[0029]
进一步的，步骤s23中，所述需要的结果导向为直接经济收益最大化。
[0030]
进一步的，步骤s23中，机器学习，以矩阵k与归一化矩阵y结合，结合反向传播算法以需要的结果为导向，对k值矩阵进行迭代训练，直至输出数据和预期值的差距缩小至最小，即算法收敛形成权重k’矩阵，具体步骤如下：
[0031]
在机器学习的过程中，对归一化矩阵y进行变换，因此输出的结果可能跟预期值具有一定的差距，相应地，损失值也会很高；
[0032]
根据损失值，利用反向传播的算法来调整神经网络每层的权重参数，即k值矩阵，从而降低输出的损失值；
[0033]
根据调整后的权重参数重新计算训练数据，并得出输出数据和人为预期值的差距，也就是损失值；
[0034]
反复迭代，直到整个神经网络的损失值最小，也就是算法收敛，算法收敛既是训练完成，此时的k值矩阵就是以直接经济效益最大化为目的的权重k’矩阵。
[0035]
进一步的，步骤s34中，计算每个候选地址归一化的向量与最优向量的距离具体公式为：
[0036][0037]
计算每个候选地址归一化的向量与最劣向量的距离具体公式为：
[0038][0039]
进一步的，步骤s35中，计算每个候选地址与最优向量的接近程度ci，计算公式：
[0040][0041]ci
的值越大，则计算的候选地址越接近最理想的承办城市。
[0042]
相对于现有技术，本发明所述的基于深度学习的重大体育赛事举办城市选址方法具有以下有益效果：
[0043]
本发明所述训练好的模型可应用在每次需要决策重大体育赛事举办城市选址时，通过机器学习确定，以直接经济收益最大化为导向，确定影响重大体育赛事举办城市选址的各个指标的重要程度，确定权重k’矩阵，并结合topsis分析方法，得出与最理想解最接近同时与最负理想解距离最远的候选地址，从而高效地解决了体育赛事举办城市选择时过于依赖主观意见而决策的弊端。
附图说明
[0044]
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0045]
图1为本发明实施例所述的基于深度学习的重大体育赛事举办城市选址方法示意图。
具体实施方式
[0046]
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0047]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0048]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是
两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
[0049]
下面将参考附图并结合实施例来详细说明本发明。
[0050]
如图1所示，本技术提出一种基于深度学习的重大体育赛事举办城市选址方法，具体步骤如下：
[0051]
s1、确定影响重大体育赛事举办城市选择结果的指标，对影响重大体育赛事举办城市选择结果的指标进行数据化；
[0052]
s2、深度学习，构建深度学习的重大体育赛事举办城市选址模型，具体步骤如下：
[0053]
s21、输入训练数据，设定一个所有数据均未定义k值矩阵；
[0054]
s22、设定评估地址有n个，评估指标有m个，将影响重大体育赛事举办城市选择结果的指标转换为矩阵x＝(x
ij
)n×m，i∈[1,2,3,...n]，j∈[1,2,3,...m]，并对矩阵x进行归一化变换形成归一化矩阵y＝(y
ij
)n×m；
[0055]
s23、机器学习，以矩阵k与归一化矩阵y结合，结合反向传播算法以需要的结果为导向，对k值矩阵进行迭代训练，直至输出数据和预期值的差距缩小至最小，即算法收敛形成权重k’矩阵；
[0056]
s3、利用topsis分析方法，输入正式选址数据和权重k’矩阵，确定举办城市选址，具体步骤如下：
[0057]
s31、输入正式选址数据，重复步骤s22形成归一化矩阵z＝(z
ij
)n×m，
[0058]
s32、设定存在某一极理想化的举办地址，构造最优向量z
+
，从归一化矩阵z中，每个指标均选取最优值，构成最优向量，记为：
[0059]z+
＝(z
max1
，z
max2
，
…zmax m
)，
[0060]
同理，设定存在某一极不理想化的举办地址，构造最劣向量z-，从归一化矩阵z中，每个指标均选取最劣值，构成最劣向量，记为：
[0061]
z-＝(z
min1
，z
min2
，
…zminm
)；
[0062]
s33、计算每个候选地址归一化的向量在附加权重k’矩阵后与最优向量z
+
的距离计算每个候选地址归一化的向量在附加权重k’矩阵后与最劣向量z-的距离
[0063]
s34、通过和计算每个候选地址的归一化的向量在附加权重k’矩阵后与最优向量的接近程度ci；
[0064]
s35、按照ci值从大到小的顺序对各候选城市进行排序，ci值越大方案越优。
[0065]
如图1所示，步骤s1中，影响重大体育赛事举办城市选择结果的指标包括人均地区生产总值、居民人均消费支出、城市人口密度、普通高等学校在校学生数、中超上座人数、接待国际游客、赛事经历、长期赛事、联赛均价区间、近3年内过往重点赛事、商业赛上座率、举办赛事的平均气温、举办赛事的平均降水量、举办赛事的平均湿度。
[0066]
如图1所示，步骤s1中，所述对影响重大体育赛事举办城市选择结果的指标进行数据化中，对于无法进行数据统计计算的定性指标转化成等级数据进行计算，定性指标包括长期赛事、联赛均价区间、近3年内过往重点赛事、商业赛上座率、举办赛事的平均气温、举办赛事的平均湿度，
[0067]
定性指标转化成等级数据具体方法如下：
[0068]
长期赛事的数值划分是根据城市拥有的球队数量决定，每拥有一支顶级赛事队伍加5分，次级队伍加3分，业余队伍加1分的计算方式来统计；
[0069]
赛事均价为成交价区间的均价；
[0070]
近3年过往重点赛事的是根据每场国际的赛事加5分，国内的赛事加3分；
[0071]
商业赛上座率是根据上座的比率进行定义，若上座8成，则为8分；
[0072]
举办赛事的平均气温是根据举办时间所在月份的平均气温减去22标准舒适气温指标决定；
[0073]
举办赛事的平均湿度是根据举办时间所在月份的平均湿度减去60标准舒适湿度指标决定。
[0074]
步骤s23中，所述需要的结果导向为直接经济收益最大化。
[0075]
步骤s23中，机器学习，以矩阵k与归一化矩阵y结合，结合反向传播算法以需要的结果为导向，对k值矩阵进行迭代训练，直至输出数据和预期值的差距缩小至最小，即算法收敛形成权重k’矩阵，具体步骤如下：
[0076]
在机器学习的过程中，对归一化矩阵y进行变换，因此输出的结果可能跟预期值具有一定的差距，相应地，损失值也会很高；
[0077]
根据损失值，利用反向传播的算法来调整神经网络每层的权重参数，即k值矩阵，从而降低输出的损失值；
[0078]
根据调整后的权重参数重新计算训练数据，并得出输出数据和人为预期值的差距，也就是损失值；
[0079]
反复迭代，直到整个神经网络的损失值最小，也就是算法收敛，算法收敛既是训练完成，此时的k值矩阵就是以直接经济效益最大化为目的的权重k’矩阵。
[0080]
机器学习采用tensor flow软件进行。
[0081]
步骤s34中，计算每个候选地址归一化的向量与最优向量的距离具体公式为：
[0082][0083]
计算每个候选地址归一化的向量与最劣向量的距离具体公式为：
[0084][0085]
步骤s35中，计算每个候选地址与最优向量的接近程度ci，计算公式：
[0086][0087]ci
的值越大，则计算的候选地址越接近最理想的承办城市。
[0088]
为了更加直观地观测每一个候选地址与最理想解的承办城市的相似程度，将距离最优向量的距离与距离最优向量的距离同距离最劣向量的距离之和的比值ci表达各个候选地址与最理想的承办城市的贴近程度，由于是单项非负值与该项和另一非负项和的比值，ci的取值在0到1之间，ci的值越接近于1，说明越大同时越小，也就是
topsis分析方法中描述的“与最理想解最接近同时与最负理想解距离最远”，因此，该方案的评价水平越高。
[0089]
以下是为解释说明本技术，选取了北京、天津、上海、重庆、成都、西安、大连、青岛、厦门、苏州10座城市的数据作为样例，表1至表10分别为2014-2018年，北京、天津、上海、重庆、成都、西安、大连、青岛、厦门、苏州10座城市的基础数据指标；然后通过计算得出各城市2014年至2018年各项指标的平均值表11；通过选取10座城市的各数据平均指标，进行topsis的计算，得出以下变换矩阵，见表12；根据topsis算法的计算结果，得出各承办城市的最终运算结果，如表13所示，以2014-2018年的数据来看，根据ci排序，这十个城市的举办候选优先级排序为(仅供参考)：上海、北京、大连、天津、重庆、西安、苏州、成都、青岛、厦门。
[0090]
表1 2014-2018年北京市各项基础数据
[0091][0092][0093]
表2 2014-2018年天津市各项基础数据
[0094][0095][0096]
表3 2014-2018年大连市各项基础数据
[0097][0098][0099]
表4 2014-2018年上海市各项基础数据
[0100][0101][0102]
表5 2014-2018年青岛市各项基础数据
[0103][0104]
表6 2014-2018年西安市各项基础数据
[0105][0106]
表7 2014-2018年重庆市各项基础数据
[0107]
[0108][0109]
表8 2014-2018年成都市各项基础数据
[0110]
[0111][0112]
表9 2014-2018年苏州市各项基础数据
[0113]
[0114][0115]
表10 2014-2018年厦门市各项基础数据
[0116][0117]
表11十城市各数据2014-2018年各项基础数据均值
[0118]
[0119][0120]
表12十城市topsis变换矩阵
[0121]
[0122][0123]
续表12十城市topsis变换矩阵
[0124]
[0125][0126]
根据topsis算法的计算结果，得出各承办城市的最终运算结果，如表5.13所示。由此可判断，以2014-2018年的数据来看，这十个城市的举办候选优先级排序为(仅供参考)：上海、北京、大连、天津、重庆、西安、苏州、成都、青岛、厦门。
[0127]
表13各城市最终运算结果
[0128][0129]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。