基于大数据分析的运动风险评估方法研究

王贺 任玉梅 王华

摘  要： 传统运动风险评估方法能够对运动中存在的风险进行评估，但存在评估过程耗时长、精准度差，不能进行大规模运动评估的问题。提出基于大数据分析的运动风险评估方法。通过对风险因子进行分析构建大运动风险评估模型，引入多层次叠加运算以及多因素调解方差法，对运动风险数据进行处理，基于大数据分析法，实现运动风险评估。实验结果表明，提出的基于大数据分析的运动风险评估方法，相比传统风险评估方法，能够进行高效率精准的运动风险评估，并能够适用于大规模的风险评估。

关键词： 大数据分析; 运动风险评估; 风险因子; 多层次叠加运算; 多因素调解方差; 运动场地

中图分类号： TN913?34                        文献标识码： A                        文章编号： 1004?373X（2018）10?0140?03

Abstract： The traditional exercise risk assessment method can assess the risks existing in exercise， but has the problems of time?consuming assessment process and poor assessment accuracy， and cannot be used for large?scale exercise assessment. Therefore， an exercise risk assessment method based on big data analysis is proposed. The big exercise risk assessment model is built by analyzing risk factors. The multilevel overlay operation and multifactor mediation variance method are introduced to deal with the exercise risk data， and the exercise risk assessment is realized based on the big data analysis method. The experimental results show that in comparison with the traditional risk assessment method， the proposed exercise risk assessment method based on big data analysis can perform high efficient and accurate exercise risk assessment， and can be applied to large?scale risk assessment.

Keywords： big data analysis; exercise risk assessment; risk factor; multilevel overlay operation; multifactor mediation variance; sports field

0  引  言

研究表明，运动爱好者以及专业运动员在运动过程中，产生的运动风险不仅是由单一原因造成的，通常是由多个因素叠加影响造成的。传统运动风险评估方法以运动方式为重心，风险计算范围有限。同时存在评估效率低、准确性差、不适合进行大规模评估的问题。根据上述问题，本文提出基于大数据分析的运动风险评估方法。对风险因子重新分析，利用风险因子特征构建评估框架，采用多层次叠加运算，以多因素调解方差法采集风险数据[1]。通过得到的风险因子，依托计算机技术，引入大数据评估方法，对风险因子进行大数据分析，调整计算方式，得到基础风险关联数据，从而实现对运动风险的评估。通过仿真实验，进行评估效率、评估准确性、评估能力三方面实验。实验结果表明，本文设计的运动风险评估方法，适用于大、中、小不同规模的运动风险评估，且具有高准确性和高评估效率。

1  大数据运动风险评估模型的建立

本文对风险因子进行重新分析，改进传统单重心的分析方式，采用多层次分析的方式，通过风险因子框架叠加运算，加上多因素调解方差法对风险数据进行基本采集[2]。

2  实现大数据分析的运动风险评估

本文设计的运動风险评估方法主要分为三个阶段：风险识别阶段、风险计算阶段和风险评估阶段。

风险识别阶段：首先利用风险因子预计算，判断是否纳入识别范围。其风险预计算不考虑意外风险值f（c），不存在风险间接判断，对可能存在风险值以参数的形式进行计算[9]。

风险计算阶段：利用风险识别阶段的数据，对来源数据进行大数据风险因子的过程量计算。其计算缜密度分为严谨、适中、宽松三个等级，对应评估系数分别是[0.75～1.0]，[0.5～0.75），[0～0.5）。评估系数越高，对系统配置要求越高，风险评估综合性能越好[10]。

风险评估阶段：对风险计算结果分析，出具合理评估风险报告，其各主要评估阶段评估内容如表1所示。

运动分析评估流程图如图1所示，对评估对象进行逐步分析，计算过程中选用计算偏离模块，验证计算数据是否偏离[11]。

通过对风险因子进行大饱和计算，对风险数据进行辨别。依据风险识别数据进行风险计算，引入大数据评估方法，实现基于大数据分析的运动风险评估。

3  仿真实验与测试

3.1  实验目的与参数设置

为了验证基于大数据分析的运动风险评估方法的有效性，进行评估效率、评估准确性、评估能力的三次实验。实验系统运行环境为Windows 7/Windows XP，最低配置要求4 GHz 64?bit 双核处理器，8 GB系统内存， 500 GB 硬盘分区，GeForce GTX 1050Ti显卡 4 GB显存，DVD?R/W 光驱。完成实验准备，通过对大数据风险评估方法与传统风险评估方法进行评估效率、评估准确性两方面进行实验分析，并将数据进行统计，其具体实验如下。

3.2  评估效率实验

评估效率实验（Assessment Efficiency Experiment）是对运动风险评估方法进行效率测试。其测试流程是，在1 s时间内，统计风险评估所完成的运算次数，用EEE表示。其中，EEE（750～1 000）代表高效运行，系统运转速度快，达到高效处理;EEE（500～700）代表中效运行，系统运行较慢，不适合进行增加运算量;EEE（0～500）代表低效运行，系统运行缓慢，效率低下。

通过对传统评估方法和大数据评估方法，进行50万条数据量试验，其运动风险EEE曲线如图2所示。

根据运动风险EEE曲线得出：传统评估方法在数据量达到10万条时开始快速下降，当数据量达到22万时达到第一次谷值EEE（580），随后小幅上升，当数据量达到30万～35万时，出现EEE（600）平台。系统处于中灵敏度。数据量超过35万时，EEE曲线呈现陡崖式下降，达到EEE（375），系统运行效率低下。而大数据评估方法保证平稳的EEE曲线，从测试数据5万～50万，保证大于EEE（750）高速运行。

3.3  评估准确性实验

评估精确性实验（Evaluate the Accuracy Experiment）是对运动风险评估方法进行准确性测试。其测试流程是，观察实际发生风险与评估结果风险的比值，用EAE表示。其中，EAE（85%～100%）代表高准确性运行，系统评估结果可靠;EAE（50%～85%）代表中准确性运行，系统评估存在偶然性;EAE（0～50%）代表低准确性运行，系统评估不可信。通过对传统评估方法和大数据评估方法进行80万条数据量试验，其运动风险EAE图如图3所示。

根据运动风险EAE图得出，传统评估方法数据量在10万～70万时其EAE（45%～60%），其中数据量为40万时出现第一次谷值EAE（45%），总体进行中准确性运行，系统评估存在偶然性，当数据量超过70万时， 达到EAE（30%），其系统评估不可信。而大数据评估方法EAE曲线保证平稳，在EAE（80%～90%）之间运行，系统评估结果可靠。

4  结  语

通过分析風险因子以及大数据计算技术，实现基于大数据分析的运动风险评估。对评估效率、评估准确性、评估能力的三个层次实验，结果表明，大数据分析的运动风险评估方法具有高评估效率、高准确性和强评估能力。

参考文献

[1] 刘白，廖秀健.基于大数据的重大行政决策社会稳定风险评估机制构建研究[J].情报杂志，2016，35（9）：43?47.

LIU Bai， LIAO Xiujian. A study based on the big data of the construction of social stability risk assessment mechanism in major administrative policy decision [J]. Journal of intelligence， 2016， 35（9）： 43?47.

[2] 赵丹.基于大数据分析的运动损伤估计模型设计[J].现代电子技术，2017，40（17）：101?104.

ZHAO Dan. Design of sports injury estimation model based on big data analysis [J]. Modern electronics technique， 2017， 40（17）： 101?104.

[3] 龚伟志，刘增良，王烨，等.基于大数据分析恐怖袭击风险预测研究与仿真[J].计算机仿真，2015，32（4）：30?33.

GONG Weizhi，  LIU Zengliang， WANG Ye， et al. Research and simulation of terrorist attack risk prediction based on big data analysis [J]. Computer simulation， 2015， 32（4）： 30?33.

[4] 郑宏，蔡宇翔.大数据环境下入侵风险评估优化模型仿真分析[J].计算机仿真，2016，33（9）：292?295.

ENG Hong， CAI Yuxiang. Big data environment risk assessment of optimization model for the simulation analysis [J]. Computer simulation， 2016， 33（9）： 292?295.

[5] 司光耀，王凯，李文强，等.基于大数据和粗糙集的产品需求分析方法研究[J].工程设计学报，2016，23（6）：521?529.

SI Guangyao， WANG Kai， LI Wenqiang， et al. Research on product demand analysis method based on big data and rough set [J]. Chinese journal of engineering design， 2016， 23（6）： 521?529.

[6] 杜艳君，班婕，孙庆华，等.环境健康风险的研究前沿及展望[J].现代预防医学，2016，43（24）：4437?4439.

DU Yanjun， BAN Jie， SUN Qinghua， et al. Research front and prospect in environmental health risks [J]. Modern preventive medicine， 2016， 43（24）： 4437?4439.

[7] 胡萍.大数据环境下基于信息融合的网络风险评估模型[J].科技通报，2015，31（9）：220?223.

HU Ping. Network risk assessment model based on big data environment information fusion [J]. Bulletin of science and technology， 2015， 31（9）： 220?223.

[8] WANG Z， LAI C， CHEN X， et al. Flood hazard risk assessment model based on random forest [J]. Journal of hydrology， 2015， 527： 1130?1141.

[9] GARBOLINO E， CHERY J P， GUARNIERI F. A simplified approach to risk assessment based on system dynamics： an industrial case study [J]. Risk analysis， 2016， 36（1）： 16?29.

[10] POLZER S， GASSER T C. Biomechanical rupture risk assessment of abdominal aortic aneurysms based on a novel probabilistic rupture risk index [J]. Journal of the royal society interface， 2015， 12（113）： 1?11.

[11] HAN L， SONG Y， DUAN L， et al. Risk assessment methodology for Shenyang Chemical Industrial Park based on fuzzy comprehensive evaluation [J]. Environmental earth sciences， 2015， 73（9）： 5185?5192.