高校移动终端体育信息云数据挖掘方法.pdf

1、计算机与通信技术Computer and Communication Technology自动化技术与应用2023 年第 42 卷第 8 期Techniques ofAutomation&Applications高校移动终端体育信息云数据挖掘方法*魏箐河（西安外事学院，陕西 西安 710077）摘要:高校体育信息在云平台存储后，受到运动数据相似性特征较多的影响，如何在海量相似运动信息下，高效挖掘特定运动数据，成为一个难题。结合运动数据的特点，提出高校移动终端体育信息云数据挖掘方法。体育运动相关信息数据由服务端管理模块、移动管理终端模块、移动中控插件选取，并通过K均值聚类算法控制信息访问路径，凭

2、借时间、频率特征明确成聚类进化代数，获得权向量编码下数据特征状态空间表达式，实现信息的分类和检索。以海量体育相关信息为实验样本进行挖掘实验。实验结果表明，所提方法响应时间低，挖掘效率较高。关键词:体育信息；相似特征；海量数据；K均值聚类算法；云数据挖掘中图分类号：TP311.13文献标识码:A文章编号:1003-7241(2023)08-0088-05University Mobile Terminal Sports InformationCloud Data Mining MethodWEI Qing-he(Xian International University,Xian 710077

3、China)Abstract:After college sports information is stored on the cloud platform,it is affected by the similarity characteristics of sports data.Howto efficiently mine specific sports data under the massive similar sports information becomes a difficult problem.Combined withthe characteristics of spo

4、rts data,this paper proposes a sports information cloud data mining method for mobile terminals in col-leges and universities.The sports related information data is selected by the server management module,mobile management ter-minal module and mobile central control plug-in,and the information acce

5、ss path is controlled by K-means clustering algorithm.By virtue of the time and frequency characteristics,the clustering evolution algebra is defined,and the data feature state space ex-pression under the weight vector coding is obtained to realize the classification and retrieval of information.It

6、takes the massivesports related information as the experimental sample to carry out the mining experiment.Experimental results show that the pro-posed method has low response time and high mining efficiency.Keywords:sports information;similar features;massive data;K-means clustering algorithm;cloud

7、data mining*基金项目：陕西省教育厅2020年度科研计划项目（20JK0332）收稿日期:2022-03-09DOI:10.20033/j.1003-7241.（2023）08-0088-05.1引言随着运动信息化技术的发展，一些高校开始迅速搭建独属于学校之间的运动信息查询平台，这在一些专业性的体育院校尤其明显。但是，运动信息与其他教育信息不同，其相关特征具有较强的相似性。这就给运动数据挖掘带来了一定的困难。关于校园管理信息挖掘系统的研究有很多，武善锋等人1在传统校园信息管理系统内添加决策树算法，分析课程信息，高效分类和剔除无效数据，再结合对应科目要求构建系统功能框架，通过ASP.N

8、ET语言完成人机交互功能。但当同时在线人数过多时，任务响应速度慢，效率低；胡春瀛等人结合Fabric构架设计出了一种高校区块链机房管理系统2，采用Fabric架构满足机房的网络环境和管理需求，使用拜占庭算法等完成系统设计，经实验表明该系统的稳定性较差，会出现数据查询失败等问题。Yi W等人提出在网络环境下设计高校体育教学管理系统3，从前期资料收集、需求分析、可行性研究、总体设计、详细设计、系统编码、系统测试等方面对系统进行详细的研究。在系统开发设计中，应用了当前流行的ASP。同时加入了一些JavaScript脚本和JQuery框架技术，最终实现了基于B/S架构的高校体育管理系统。以上校园信息管

9、理系统都无法应用到体育信息管理中，主要还是因为体育信息存在一定的相似性描述，没办法用更为可区分的特征描述。考虑上述方法优缺点，提出一种适合体育运动信息的挖掘方法。2体育信息云数据挖掘方法88自动化技术与应用2023 年第 42 卷第 8 期计算机与通信技术Computer and Communication TechnologyTechniques ofAutomation&Applications由于体育信息大部分都存于云平台上，由服务端管理模块、移动管理终端模块、移动中控插件构成。由于大部分高校的中控系统是通过委托各企业开发的闭源系统，一般情况下开发企业也会提供移动中控插件，因此本文着重给

10、出移动客户端以及服务器端的数据采集方案。2.1服务器端运动信息选取通过对高校体育运动管理需求调研分析，得出相关实时监测学生体质和教学质量数据是挖掘需要的主要目标，因此在服务器功能设计过程中，要统筹相关目标体育信息管理总需求，结合高校的实际情况分步完成挖掘方法设计，确保挖掘具有实用性、一致性以及可扩展性。挖掘的目标数据主要存储结构为金字塔三层体系结构，上层为学生体能监测层，中层为教学实施层，下层为云信息管理层，各层数据选取目标如下：（1）体能监控层体能监控层为一些学生体质信息的存储区域，由多个具有独立功能的子系统构成，子系统通过移动终端智能终端穿戴设备自动化采集学生体质信息，借助无线发射或有线接

11、收实现与计算机的消息传输。收集到的学生个人运动数据，自动储存在相对应的数据库内，作为管理系统的基础数据之一。（2）教学实施层教学实施功能层是移动终端的重要部分，基础监测数据层和管理系统的中间层，又分为多个子功能模块，包括体育项目数据模块、运动成员信息数据模块、田径数据模块以及各个体育比赛成绩数据模块。可以通过云计算分类监测层采集到的数据，并将结果反馈给管理层，同时也可以对上层数据预处理判断，结合管理层需求发出控制指令或完成相关参数的修改。系统也可以通过该功能层向教师、管理人员提供各类数据服务。（3）云信息管理层云信息管理层主要包括系统整合、数据交换、目录管理、运维管理、API接口模块4。系统整

12、合和数据交换模块主要负责完成移动终端各模块之间的数据传输，实现相关部门的信息交换；目录管理模块主要负责对系统目录内容审核、检索、发布等；运维管理模块主要负责管理系统的日常维护；API接口可以完成系统与其他相关应用间的集成，也能够通过云信息管理层进行深层次信息平台开发。2.2挖掘算法设计为实现运动数据的相关检索功能，本文通过K均值聚类算法改进挖掘过程，完成特定体育数据挖掘工作。设任意两个属性簇节点Mi、Mj，二者间的距离为Clusdist(Mi，Mj)，通过K均值算法得到信息经云计算后，系统内数据间关系为A=A1,A2,Am，数据二叉分类属性又符合(ij,1q,1jq)，其中 q 是不为零的常数

13、。通过控制访问路径获得挖掘的约束向量5，并通过K均值传输算子控制数据的访问路径，获得在云数据库内的高校体育数据的互信息特征，表示为：（1）式中，Dij(tn)表示原始数据特征，f(n)表示数据权重，在K均值聚类的条件下压缩特征空间，执行挖掘的平滑处理，获得平滑算子如下：（2）式中，dfs(i,j)表示平滑算子，df(i,j)为平滑前数据库中的原始数据量，表示控制路径后的压缩数据量。设聚类中心矢量Xi为d维数据，Xi=(xi1,xi2,xid)，训练样本为Xk=xk1,xk2,xkm，可根据云计算储存数据库初始查询可得挖掘模型如下：（3）式中，e表示数据的属性权重。随后匹配相邻时间段内的数据流信

14、息，确定系统检索机制的查询条件，设x(n)为单位时间域内的数据长度特征6，则聚类后获得访问云数据库的互信息可以表示为：（4）式中，c(t+)表示数据路径扩展时延，使i=1,2,n实现索引指令的控制。结合权向量编码得出挖掘的属性集合幂指数为：（5）式中，表示数据搜索频率，通过时间、频率特征结合方式，分析云储存数据库中的体育数据信息时域，判定出聚类的进化代数。通过上述处理完成移动终端系统中，体育信息聚类和挖掘，实现高校运动数据分类和检索功能。3实验环境搭建为了测试本文挖掘算法的有效性，搭建高校移动终端云数据存储平台，完成实验。云平台在硬件设计的部分包括数据采集硬件配置和数据接口部分的设置7。其中数

15、据采集部分由下位机硬件进行配置。数据接口设计构成，可给出各个查询条件数据接口信息及List封装参数。3.1下位机实验硬件配置89计算机与通信技术Computer and Communication Technology自动化技术与应用2023 年第 42 卷第 8 期Techniques ofAutomation&Applications关于运动数据信息的采集模块，由移动终端传感器完成，传感器通过共享器8将数据共享至云平台，方便师生查看，具体设备如表1所示。表1数据采集模块设备序号1234设备名称移动终端传感器人工记录数据智能运动数据共享器移动APP统计数据平台采用标准电源为传感器和各移动终端

16、提供直流电源，传感器与其他云存储设备间的信号通过接线端连接，将采集所得信号发送至共享器，由共享器将信息上传给云平台系统。3.2实验数据接口设计云平台参与实验的数据接口为ODBC接口，移动终端可以通过查询语言SQL访问云储存数据库。针对系统的信息查看模块，设置对应教室信息、体育设备信息、租赁信息、教室及设备故障报修信息。下面给出各信息接口的相关参数。（1）运动区域信息接口地址为./servelt/roomdatainter Currentpage.List封装参数如表2所示。表2运动信息List封装参数名称IDnamebuilding参数说明ID区域名称所处区域是否必须是是是（2）体育设备信息接

17、口地址为：./servelt/devicedatainterface Curre-ntpage.List封装参数如表3所示。（3）体质信息接口地址：./servelt/rentdatainterface Currentpa-ge.List封装参数如表4所示。表3体育设备信息List封装参数名称IDnamedeviceNodeviceType参数说明ID设备名称设备编号类型是否必须是是是是表4体质信息List封账参数名称IDresultproposeruseTimeroomIDdealstate参数说明ID身体参数运动人测试时间编号身体状态备注0未处理1通过2未通过是否必须是是是是是是（4）伤病

18、信息接口地址：./servelt/rentdatainterface Currentpa-ge.List封装参数如表5所示。表5伤病报修信息List封账参数名称repairIDreporterReport TimemaintainerdescriptiondealstateMain Time参数说明ID报告人上报时间医护人员伤病内容检查状态检查时间备注0未处理1处理中2完成是否必须是是是是是是是(b)体质信息(c)伤病信息(a)运动与设备信息图1指标权重90自动化技术与应用2023 年第 42 卷第 8 期计算机与通信技术Computer and Communication Technolog

19、yTechniques ofAutomation&Applications4实验结果分析4.1评估结果以西安高校云平台中的体育数据为例，采用本文挖掘方法挖掘特定数据，针对上节表中的运动信息挖掘指标，计算其综合权重值，结果如图1所示。基于图1所示的各指标权重，采用相同过程获取挖掘估值与对比方法估值，结果如图2所示。分析图2得到，采用本文方法评估研究对象的挖掘结果。同时由于本文方法中采用K均值方法，获取的综合路径，提升不同影响因素权值计算的精度，因此本文方法评估结果与所选方案实际结果情况基本一致，由此验证了本文方法的可应用性。图2不同指标的挖掘结果同时为进一步说明本文方法评估结果的精度优势，分别采

20、用文献3基于人工蜂群算法优化的方法和文献4基于风险评估集对模型的方法，对三种体育相关指标进行挖掘，两种对比方法评估结果如图3所示。分析图3得到，基于人工蜂群算法优化的方法挖掘结果略低于实际值，这将导致运动信息相似度较高的条件下，无法得到相应挖掘结果；基于风险评估集对模型的方法实际挖掘结果高于实际数据值，虽然在一定程度上能够提升挖掘准确性，但同时也将导致挖掘过程中浪费大量计算力。结合图2内本文方法挖掘结果得到，本文方法结果最优。4.2准确性分析针对图2内本文方法针对三种体育运动信息指标挖掘深度结果，对三种指标进行二次挖掘优化。在此基础上，采用本文方法进行二次挖掘，对比前后两次挖掘结果，见图4，确

21、定本文方法的应用效果。分析图4得到，二次挖掘后，相关信息的范围进一步缩小，说明方法能够有效缩小挖掘范围，较好地抵御运动信息的风险。由此说明采用本文方法能够显著抑制体育信息的相似性，提升挖掘效率。(a)基于人工蜂群算法优化的方法(b)基于风险评估集对模型的方法图3对比方法评估结果图4二次挖掘结果情况4.3挖掘算法响应时间验证图5不同算法的响应时间对比图为进一步验证挖掘方法的实用性，对算法的响应时间进行验证。在1 h范围内对基于决策树算法和高校联(下转第169页)91自动化技术与应用2023 年第 42 卷第 8 期行业应用与交流Industrial Applications and Commun

22、icationsTechniques ofAutomation&Applications式识别的判断矩阵，采用本文方法提高医疗监控数据信息化管理模式的识别效率。此次研究的方法获取一定的成果，但仍存在不足之处，主要包括以下3个方面：（1）医疗数据对接与共享上没有统一的要求和规则，因此在后续的研究中将重点研究这部分内容；（2）如何走出信息孤岛，优化改进医院之间、医院与第三方监控平台之间的协作服务模式，也是重点的研究内容；（3）在监控数据的管理上，需要提高相关工作人员的积极性，保障实时获取的信息的质量，以便于发现问题并及时解决问题。参考文献:1 许天才,潘雨亭,杨新涯,等.基于元数据管理的数字资源保

23、障评估研究J.图书情报工作,2019,63(2):84-90.2 钟若武,王惠平.基于数据挖掘的高校云计算管理系统中特定数据查询技术J.现代电子技术,2018,505(2):138-140.3 王淑平,杜敏.大数据背景下医院医疗数据上传平台构建探讨J.微型电脑应用,2019,35(8):133-135.4 王爽.电子档案信息安全评价指标体系结构设计J.微型电脑应用,2018,34(3):50-52.5 范高智.环境预报移动信息化在海南乡村旅游中的应用研究J.环境科学与管理,2018,43(4):31-34.6 瞿君.层次分析模型在室内空气质量评价中的应用研究J.环境科学与管理,2017,42(

24、12):174-178.7 张振铎,秦文艳,陈俸,等.吉林省农作物病虫害测报信息化建设主要成效及发展思路探讨J.中国植保导刊,2018,38(8):92-94,98.8 张清林,胡孔法.中医医疗机构信息化现状分析研究J.时珍国医国药,2019,30(2):234-236.9 袁征,万臻,李冠伟,等.信息化环境下的医院运营状况评估指标体系构建J.中华医院管理杂志,2019,35(1):41-45.10 丁胜,申刚磊,杨庆有,等.“互联网+”与医疗深度融合在改善医疗服务中的实践J.中国医院管理,2019,39(3):92-94.11 何霆,吴雅婷,王华珍,等.基于EHR的医疗知识图谱研究与应用综述

25、J.哈尔滨工业大学学报,2018,50(11):143-150.12 牛广利,李端有,李天旸,等.基于云平台的大坝安全监测数据管理及分析系统研发与应用J.长江科学院院报,2019,36(6):161-165.13 李文,李永欣,王兴浩,等.基于数据核心技术的水资源信息平台融合设计J.中国农村水利水电,2018,431(9):69-73.14 周南平,贾佳.大数据背景下的高校信息化建设路径研究J.中国电化教育,2018,380(9):81-86.15 姚军军,刘利生.信息+智能技术在铁路施工安全管理中的应用J.中国安全科学学报,2018,28(2):114-118.作者简介:黄晞（1975-），

26、女，本科，高级工程师，研究方向：软件工程，计算机科学与应用。合档案管理、本文系统，进行60次登录、登出、信息查询等多项功能的运行测试，记录对应响应时间绘制成图5。从图5中可以看出，本文算法的响应耗时能够保持在1 s以内，在60次测试内曲线波动不大，比其余两种算法所用的响应时间要短，稳定性更高，进一步证明了本文设计的移动终端下体育信息挖掘算法，具有实际应用价值。5结束语本文从高校体育运动信息管理的实际现状出发，结合信息化管理要求，构建移动终端下的高校体育信息云数据挖掘算法。在战略意义方面，本算法可以为高校信息化基础建设输出理论参考，为其他领域课程的管理系统提供借鉴，能够满足高校体育信息管理基本需

27、求。参考文献:1 武善锋,陆霞.基于决策树算法的体育课程分析与管理系统设计J.现代电子技术,2019,42(3):131.2 胡春瀛,姬庆庆,肖创柏.基于Fabric架构的区块链机房管理系统设计J.高技术通讯,2019,29(10):951-960.3 Yi W,Fang F.The design and realization of the man-agement system of college physical education under the net-work environmentC/Journal of Physics:Conference Series.IOP Publi

28、shing,2019.4 梅广,邹恒华,张甜,等.主数据管理驱动的高校信息化SOA建设J.计算机应用,2019,39(9):2675-2682.5 刘玉馨,何光辉.k近邻约束的稀疏子空间聚类J.计算机工程与应用,2019,55(3):39-45.6 杨华晖,孟晨,王成,等.基于目标特征选择和去除的改进K-means聚类算法J.控制与决策,2019,34(6):1219-1226.7 邵俊健,王士同.具有抗噪性能适用高维数据的增量式聚类算法J.计算机科学与探索,2019,13(9):1553-1566.8 郑杜,唐敦兵,王旭,等.个性化定制生产模式下的云制造系统设计研究J.机械制造与自动化,2020,49(1):33-36.作者简介:魏箐河（1991-），女，硕士，讲师，研究方向：体育教育与运动训练。(上接第91页)169