本发明属于运动员职业信息管理，具体为一种基于人工智能的运动员职业生涯管理方法及系统。

背景技术：

1、一种基于人工智能的运动员职业生涯管理方法及系统是利用人工智能技术对运动员的职业生涯进行全面、高效管理的智能化方案，通过科学的数据分析和模型预测，该方法能够精准规划运动员的职业发展路径，识别职业巅峰期和退役期的关键节点，提供实时建议与长期规划，帮助运动员优化竞技表现和延长职业生涯，同时支持其在关键阶段做出更明智和更前瞻的生涯选择；但是现有适用于运动员职业生涯管理方法中，存在过度关注当前运动员状态而忽视未来潜力的风险问题，从而导致运动员职业生涯发展不均衡和整体效益的损失；现有适用于运动员状态评估的模型中激活函数与损失函数存在的局限性，导致运动员状态评估结果不够准确的技术问题；现有适用于运动员潜力预测模型的模型中，存在内置参数设置不当，从而导致预测模型输出结果不准确的技术问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于人工智能的运动员职业生涯管理方法及系统，针对现有适用于运动员职业生涯管理方法中，存在过度关注当前运动员状态而忽视未来潜力的风险问题，从而导致运动员职业生涯发展不均衡和整体效益的损失，本方案创造性地将运动员状态评估与潜力预测相结合，为运动员的职业生涯管理提供全面且精准的支持，提升运动员的短期竞技成绩，为运动员的长期发展提供科学指导，帮助运动员在巅峰期后顺利实现职业转型和发展，确保运动员职业生涯的持续性和稳定性；针对现有适用于运动员状态评估的模型中激活函数与损失函数存在的局限性，导致运动员状态评估结果不够准确的技术问题，本方案创新性地设计状态评估激活函数和状态评估损失函数，提升评估模型的稳定性，从而解决了运动员状态评估结果不够准确的问题；针对现有适用于运动员潜力预测模型的模型中，存在内置参数设置不当，从而导致预测模型输出结果不准确的技术问题，本方案采用搜索适应因子和邻域自适应搜索策略改进获取预测模型最优参数的算法，获取到最优参数组合，提升模型输出结果准确性，从而使得运动员潜力预测更加精准。

2、本发明采取的技术方案如下：本发明提供的一种基于人工智能的运动员职业生涯管理方法，该方法包括以下步骤：

3、步骤s1：数据采集；

4、步骤s2：数据预处理；

5、步骤s3：运动员状态评估；

6、步骤s4：运动员潜力预测；

7、步骤s5：超参数优化；

8、步骤s6：综合职业生涯管理。

9、进一步地，在步骤s1中，所述数据采集，具体为从体育赛事平台和运动员个人信息系统中，通过采集得到运动员职业管理原始数据；所述运动员职业管理原始数据包括参考运动员状态评估数据、参考运动员潜力预测数据、目标运动员状态评估数据和目标运动员潜力预测数据；所述参考运动员状态评估数据和目标运动员状态评估数据都包含生理数据、训练数据和心理状态数据；所述参考运动员状态评估数据还包括参考运动员状态；所述参考运动员潜力预测数据和目标运动员潜力预测数据都包括历史比赛数据、历史训练数据和历史伤病记录；所述生理数据包含心率、血氧饱和度、体温、疲劳度和血压；所述训练数据包含训练时长、训练强度、训练类型和训练效果反馈；所述历史比赛数据包含比赛成绩、比赛类型和比赛个人表现；所述历史训练数据包含长期训练数据和不同训练周期中训练效果；所述历史伤病记录包含伤病记录、健康档案和恢复情况数据。

10、进一步地，在步骤s2中，所述数据预处理，用于对运动员职业管理原始数据进行数据清洗、标准化处理和特征选择，得到运动员职业管理初步数据；所述数据清洗是处理缺失值、异常值和重复值；所述标准化处理是基于最大最小归一化方法对数据标准化处理；所述特征选择是运用相关性分析方法，从运动员职业管理原始数据中筛选出对运动员状态评估和运动员潜力预测相关特征。

11、进一步地，在步骤s3中，所述运动员状态评估，具体为通过设计状态评估激活函数和状态评估损失函数建立运动员状态评估模型，得到目标运动员评估状态结果，包括以下步骤：

12、步骤s31：建立运动员状态评估模型，具体包括以下步骤：

13、步骤s311：初始化模型参数，设置模型隐藏单元数量、输入向量维度、输出向量维度和损失函数阈值；

14、步骤s312：初始化评估模型内部结构alm，具体包括以下步骤：

15、步骤s3121：设计状态评估激活函数，所用公式表达如下：

16、；

17、式中，x表示状态评估激活函数的输入变量，表示状态评估激活函数，表示激活函数的平滑参数，表示缩放因子，用于调整激活函数输出的范围；

18、步骤s3122：遗忘门计算过程，所用公式如下：

19、；

20、式中，表示遗忘门的输出，表示是输入数据，表示是上一时刻隐藏状态，和分别表示对应遗忘门处理输入数据和处理隐藏状态的权重矩阵，表示遗忘门的偏置项参数，表示hadamard积；

21、步骤s3123：输入门计算过程，所用公式如下：

22、；

23、；

24、；

25、式中，表示输入门的输出，和分别表示对应输入门处理输入数据和处理隐藏状态的权重矩阵，表示输入门的偏置项参数，表示是当前时刻细胞单元状态，表示新细胞单元状态候选值，表示是上一时刻细胞单元状态，和分别表示对应细胞单元状态处理输入数据和处理隐藏状态的权重矩阵，表示细胞单元状态的偏置项参数，表示元素乘法；

26、步骤s3124：输出门计算过程，所用公式如下：

27、；

28、式中，表示输出门的输出，和分别表示是对应输出门处理输入数据和处理隐藏状态的权重矩阵；表示输出门的偏置项参数；

29、步骤s3125：隐藏状态计算过程，所用公式如下：

30、；

31、式中，表示当前时刻的隐藏状态；

32、步骤s313：计算双向alm，所用公式如下：

33、；

34、；

35、；

36、式中，表示结合了前向和后向alm的隐藏状态，表示当前时刻的正向方向隐藏状态，表示上一时刻的正向方向隐藏状态，表示当前时刻的反向方向隐藏状态，表示下一时刻的反向方向隐藏状态；

37、步骤s314：得到最终输出值，所用公式如下：

38、；

39、式中，表示模型的输出值，表示对应输出的权重矩阵，表示输出层的偏置项参数；

40、步骤s315：设计状态评估损失函数，所用公式如下：

41、；

42、式中，表示状态评估损失函数值，表示控制损失函数的陡峭度，表示加速收敛的参数，用于调整导数的极值点，表示当前时间运动员的真实评估状态；

43、步骤s316：更新参数，具体为使用梯度下降法来更新运动员状态评估模型中所有的权重矩阵和偏置项；所用公式如下：

44、；

45、；

46、式中，表示损失函数表示对权重矩阵的梯度，表示损失函数表示对偏执项参数的梯度，表示更新后的权重矩阵，表示当前的权重矩阵，表示更新后的偏置项参数，表示当前的偏置项参数，表示学习率；

47、步骤s317：迭代判定，具体为监控损失函数的变化情况，若损失函数低于设定损失函数阈值，则停止迭代训练，否则继续迭代训练，若达到最大迭代次数时；

48、步骤s32：运动员状态评估模型训练，具体为使用所述运动员职业管理初步数据中参考运动员状态评估数据作为输入数据，对运动员状态评估模型进行训练，得到训练后的运动员状态评估模型；

49、步骤s33：运动员状态评估，具体是将所述运动员职业管理初步数据中目标运动员状态评估数据作为训练后的运动员状态评估模型的输入数据，得到目标运动员评估状态结果。

50、进一步地，在步骤s4中，所述运动员潜力预测具体通过建立运动员潜力预测模型并对该模型进行模型训练，对训练后预测模型输入数据进行目标运动员潜力预测，得到目标运动员未来潜力预测结果；包括以下步骤：

51、步骤s41：建立运动员潜力预测模型，具体包括以下步骤：

52、步骤s411：计算隐藏层输入，所用公式如下：

53、；

54、式中，表示隐藏层输入值，表示输入层到隐藏层的权重，表示第i个输入神经元的输入值；

55、步骤s412：计算隐藏层的输出，所用公式如下：

56、；

57、式中，表示隐藏层神经元输出值，隐藏层的偏置项；

58、步骤s413：计算输出层输入，所用公式如下：

59、；

60、式中，表示输出层输入值，表示隐藏层到输出层的权重；

61、步骤s414：得到最终输出值，所用公式如下：

62、；

63、式中，表示输出层神经元输出值，输出层的偏置项；

64、步骤s42：运动员潜力预测模型训练，具体为使用所述运动员职业管理初步数据中参考运动员潜力预测数据和参考运动员状态作为输入数据，对运动员潜力预测模型进行训练，得到训练后的运动员潜力预测模型；

65、步骤s43：运动员未来潜力预测，具体是将所述运动员职业管理初步数据中目标运动员潜力预测数据和所述目标运动员评估状态结果作为训练后的运动员潜力预测模型训练的输入数据，得到目标运动员未来潜力预测结果。

66、进一步地，在步骤s5中，所述超参数优化具体包括以下步骤：

67、步骤s51：初始化参数，具体为通过构建算法初始参数；所述算法初始参数，包括种群大小n，最大迭代次数tmax，搜索下限lb和上限ub；

68、步骤s52：初始化种群，具体是搜索个体在可行的搜索空间内随机位置初始化，所用公式如下：

69、；

70、式中，表示第i个体的位置，表示介于范围内均匀分布的随机数；

71、步骤s53：种群划分：计算种群中个体适应度值fi，将基于个体位置建立的动员潜力预测模型性能作为个体的适应度值，将个体按适应度值由优至差进行排序，定义具有适应度最优的个体fa及其位置xa，适应度次优的个体fb及其位置xb，适应度第三优的个体fc及其位置xc，将fa、fb和fc划分为狩猎个体；

72、步骤s54:获取搜索适应因子，所用公式如下：

73、；

74、式中，表示获取搜索适应因子，用于控制搜索个体探索和开发能力；t表示迭代次数；表示非线性参数，用于控制收敛因子的变化速度；

75、步骤s55：更新搜索个体位置；所用公式如下：

76、；

77、；

78、；

79、；

80、式中，表示候选搜索个体向fa移动后的位置，表示候选搜索个体向fb移动后的位置，表示候选搜索个体向fc移动后的位置，表示候选搜索个体在第t代种群中的位置，表示候选搜索个体在第t+1代种群中的位置，、和表示[0,1]范围内的随机性参数；

81、步骤s56：邻域自适应搜索，具体为通过与邻域内其他个体的交互，动态决定自己的搜索方向；所用公式如下：

82、；

83、式中，表示更新后的候选搜索个体在第t代种群中的位置，、和表示[0,1]范围内的随机性参数，表示候选搜索个体的邻域内其他个体在第t代种群中的位置，表示全局最优个体的位置，表示是适应度函数；

84、步骤s57：进行贪婪选择更新个体，所用公式如下：

85、；

86、式中，表示更新后的候选搜索个体在第t+1代种群中的位置；

87、步骤s58：搜索判定，具体为通过构建搜索终止条件，进行最优个体位置的搜索判定，得到最优个体位置数据设置；

88、所述搜索终止条件，包括阈值终止和迭代终止；

89、所述阈值终止，具体为设置适应度阈值，当所述个体适应度值fi高于适应度阈值时，超参数搜索完成；

90、所述迭代终止，具体指达到最大迭代次数时，终止迭代并获得最优个体位置；

91、所述最优个体位置，具体为运动员潜力预测模型参数。

92、进一步地，在步骤s6中，所述综合职业生涯管理，具体是基于所述目标运动员评估状态结果和目标运动员未来潜力预测结果，全面评估运动员在短期和长期两个维度的职业生涯发展，并制定详细的职业规划，帮助运动员在不同发展阶段确保其职业生涯的最大价值，所述的职业规划包括短期训练计划、比赛安排计划、长期的巅峰期发展策略和职业转型计划。

93、本发明采取的技术方案如下：本发明提供的一种基于人工智能的运动员职业生涯管理系统，包括数据采集模块、数据预处理模块、运动员状态评估模块、运动员潜力预测模块、超参数优化模块和综合职业生涯管理模块；

94、所述数据采集模块从体育赛事平台和运动员个人信息系统中，通过采集参考运动员状态评估数据、参考运动员潜力预测数据、目标运动员状态评估数据和目标运动员潜力预测数据，得到运动员职业管理原始数据，并将所述运动员职业管理原始数据发送至数据预处理模块；

95、所述数据预处理模块接收数据采集模块发送的数据，并对所述运动员职业管理原始数据进行数据清洗、标准化处理和特征选择，得到运动员职业管理初步数据，将所述运动员职业管理初步数据发送至运动员状态评估模块和运动员潜力预测模块；

96、所述运动员状态评估模块接收数据预处理模块发送的运动员职业管理初步数据，并建立运动员状态评估模型对运动员当前状态进行评估，得到目标运动员评估状态结果，并将所述目标运动员评估状态结果发送至运动员状态评估模块和综合职业生涯管理模块；

97、所述运动员潜力预测模块接收数据预处理模块发送的运动员职业管理初步数据和运动员状态评估模块发送目标运动员评估状态结果，并建立运动员潜力预测模型并对该模型进行模型训练，对训练后预测模型输入所述目标运动员评估状态结果和目标运动员潜力预测数据进行目标运动员潜力预测，得到目标运动员未来潜力预测结果，并将所述目标运动员未来潜力预测结果发送至综合职业生涯管理模块；

98、所述超参数优化模块，通过建立搜索算法，得到运动员潜力预测模型参数最优解组合，并将所述运动员潜力预测模型参数最优解组合发送至运动员潜力预测模块；

99、所述综合职业生涯管理模块接收运动员状态评估模块和运动员潜力预测模块发送的输出结果，通过两个输出结果能够全面评估运动员在短期和长期两个维度的职业生涯发展，并制定职业计划。

100、采用上述方案本发明取得的有益效果如下：

101、（1）针对现有适用于运动员职业生涯管理方法中，存在过度关注当前运动员状态而忽视未来潜力的风险问题，从而导致运动员职业生涯发展不均衡和整体效益的损失，本方案创造性地将运动员状态评估与潜力预测相结合，为运动员的职业生涯管理提供全面且精准的支持，提升运动员的短期竞技成绩，为运动员的长期发展提供科学指导，帮助运动员在巅峰期后顺利实现职业转型和发展，确保运动员职业生涯的持续性和稳定性。

102、（2）针对现有适用于运动员状态评估的模型中激活函数与损失函数存在的局限性，导致运动员状态评估结果不够准确的技术问题，本方案创新性地设计状态评估激活函数和状态评估损失函数，提升评估模型的稳定性，从而解决了运动员状态评估结果不够准确的问题。

103、（3）针对现有适用于运动员潜力预测模型的模型中，存在内置参数设置不当，从而导致预测模型输出结果不准确的技术问题，本方案采用搜索适应因子和邻域自适应搜索策略改进获取预测模型最优参数的算法，获取到最优参数组合，提升模型输出结果准确性，从而使得运动员潜力预测更加精准。