為了提高階段性自主體育鍛煉行為分析和判斷能力,提出基于貝葉斯分析的階段性自主體育鍛煉行為預測方法。構建階段性自主體育鍛煉行為預測的統(tǒng)計時間序列分析模型,采用大數(shù)據特征檢測方法進行體育鍛煉行為大數(shù)據挖掘和特征提取,基于貝葉斯分析預測思想進行行為統(tǒng)計特征序列的有序聚類,結合模糊C均值聚類分析方法進行體育鍛煉行為預測過程中的信息聚類和屬性歸并,提取統(tǒng)計時間序列的關聯(lián)規(guī)則特征量,在加權馬爾可夫鏈中實現(xiàn)對階段性自主體育鍛煉行為量的準確預測。仿真結果表明,采用該方法進行階段性自主體育鍛煉行為預測的準確性較高,提高了自主體育鍛煉行為的量化分析能力。 

【文章來源】：西昌學院學報(自然科學版). 2020,34(04)

【文章頁數(shù)】：4 頁

【部分圖文】：

行為預測的結構分布圖

根據圖1的行為預測的結構分布，進行階段性自主體育鍛煉行為預測，得到預測的收斂值（圖2）。分析圖2得知，利用本文方法進行階段性自主體育鍛煉行為預測的收斂性較好，主要原因在于該方法的收斂曲線拐點較少，因此采用該方法能夠得到更為準確的預測結果。測試預測精度，得到對比結果（圖3）。分析圖3得知，本文方法的預測精度在100次迭代過程中始終優(yōu)于傳統(tǒng)方法，說明利用該方法能夠得到更為精準的階段性自主體育鍛煉行為預測結果。

分析圖2得知，利用本文方法進行階段性自主體育鍛煉行為預測的收斂性較好，主要原因在于該方法的收斂曲線拐點較少，因此采用該方法能夠得到更為準確的預測結果。測試預測精度，得到對比結果（圖3）。分析圖3得知，本文方法的預測精度在100次迭代過程中始終優(yōu)于傳統(tǒng)方法，說明利用該方法能夠得到更為精準的階段性自主體育鍛煉行為預測結果。4 結語

【參考文獻】：
期刊論文
[1]基于校園大數(shù)據的學生行為特征分析與預測方法[J]. 李鐵波.  重慶理工大學學報(自然科學). 2019(07)
[2]一種基于卷積神經網絡和貝葉斯網絡的用戶行為預測算法[J]. 曾蔚,吳伊萍.  安陽師范學院學報. 2019(02)
[3]基于貝葉斯推斷LSSVM的槍管壽命建模與預測[J]. 孫麗娜,王應海,黃永紅,丁慎平.  火炮發(fā)射與控制學報. 2018(04)
[4]基于貝葉斯模型的駕駛行為識別與預測[J]. 王新勝,卞震.  通信學報. 2018(03)
[5]基于認知行為理論的大學生體育鍛煉意向與鍛煉行為的關系研究[J]. 王碩.  體育世界(學術版). 2017(12)
[6]基于自我決定理論的女生課外體育鍛煉動機特征及其與參與行為的關系研究[J]. 余良芬.  運動. 2017(05)
[7]基于貝葉斯網絡的應急物流風險預測與控制研究[J]. 李柯,譚柱森,唐小艷.  物流科技. 2017(02)
[8]中學生運動動機與體育鍛煉行為相關性研究——基于自我決定理論視角[J]. 李芋杉,王小瑩.  體育研究與教育. 2016(04)
[9]大學生體育鍛煉行為階段性變化的實證研究[J]. 么廣會,張龍,蘇濤,潘子輝.  體育研究與教育. 2016(02)



本文編號：3485613