Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/13936
Title: Σύστημα προσομοίωσης αθλητικών δραστηριοτήτων με στόχο την καλύτερη προετοιμασία αθλητών
Authors: Μπέλλος, Αθανάσιος
Keywords: Εξόρυξη γνώσης
Μηχανική μάθηση
Ορεινό τρέξιμο
Βελτιστοποίηση στρατηγικής τρεξίματος
Πρόβλεψη αγωνιστικής απόδοσης
Γενετικοί αλγόριθμοι
Προσομοίωση αγωνιστικής προσπάθειας
Keywords (translated): Data mining
Machine learning
Mountain running
Running strategy optimization
Performance prediction
Genetic algorithms
Performance simulation
Abstract: Τα τελευταία χρόνια παρατηρείται ραγδαία αύξηση των αθλητών που ασχολούνται με τους αγώνες ορεινού τρεξίματος. Ταυτόχρονα αυξήθηκαν και οι εφαρμογές για έξυπνες συσκευές(κινητά, ρολόγια) , οι οποίες απευθύνονται σε όλες τις κατηγορίες των αθλητών και τους βοηθούν να καταγράψουν τις αθλητικές δραστηριότητες τους και να κατανοούν την εξέλιξη των ικανοτήτων τους. Από την καταγραφή των δραστηριοτήτων, έχει προκύψει ένας τεράστιος όγκος δεδομένων, η ανάλυση των οποίων μπορεί να προσφέρει πολύ χρήσιμες πληροφορίες και γνώσεις για το πώς τρέχει ο αθλητής, τί τον επηρεάζει κατά την διάρκεια των προπονήσεων του κ.α. Κατά συνέπεια υπάρχουν τεράστιες δυνατότητες όσον αφορά την υλοποίηση νέων υπηρεσιών που θα βελτιώνουν την εμπειρία άθλησης κατά την διάρκεια των αγώνων. Οι βασικοί στόχοι της διπλωματικής εργασίας ήταν αρχικά η κατανόηση των δυσκολιών που αντιμετωπίζουν οι αθλητής και στη συνέχεια η χρήση τεχνικών, αλγορίθμων και γνώσεων εξόρυξης γνώσης και μηχανικής μάθησης ώστε να δημιουργηθεί ένα μοντέλο πρόγνωσης της αγωνιστικής απόδοσης ενός αθλητή. Ταυτόχρονα μελετήθηκε και η δυνατότητα υλοποίησης ενός συστήματος εύρεσης της βέλτιστης στρατηγικής τρεξίματος, η οποία θα σέβεται τις ικανότητες και αδυναμίες κάθε αθλητή ξεχωριστά. Τέλος όλα τα συστήματα συνδυάστηκαν και δημιουργήθηκε μια εφαρμογή για κινητές συσκευές, η οποία καταγράφει τις δραστηριότητες των αθλητών αλλά ταυτόχρονα προσπαθεί να λύσει πολλά από τα προβλήματα τους. Οι ιδέες και οι βασικές λειτουργίες της εφαρμογής αξιολογήθηκαν από αθλητές με έρευνα μέσω ερωτηματολογίων. Η πλειοψηφία των αθλητών έκριναν θετικά την εφαρμογή αλλά κυρίως τις βασικές ιδέες και προτάσεις για το πως θα επιλυθούν διάφορα προβλήματα που αντιμετωπίζουν κατά την διάρκεια των προπονήσεων τους. Ωστόσο κρίνεται απαραίτητη η περαιτέρω έρευνα, η συγκέντρωση επιπλέον δεδομένων ή και η χρήση ακόμη καλύτερων αλγορίθμων και τεχνικών, ώστε το τελικό μοντέλο πρόβλεψης και κατά συνέπεια οι υπηρεσίες που παρέχονται προς τους αθλητές, να είναι ακόμη πιο ποιοτικές.
Abstract (translated): In recent years, there has been a huge increase in the numbers of athletes that are involved with the sport of Mountain Running. Moreover the available, smart-device based applications, that are being used for running activity tracking and for user performance evaluation, have also increased in numbers. As a side effect of the activity recording, there are huge amounts of data available, that can be analyzed in order to extract useful insights about user running patterns and performance drop factors. As a result, there are huge capabilities for creating new user-oriented services that will improve the user experience during a race or training activity. The major goal of this thesis, was to sufficiently identify the main difficulties the runners suffer from and then apply techniques, algorithms and knowledge of Data Mining process and Machine learning theory, in order to create a prediction model of user’s performance. At the same time, the possibility of creating a system that would calculate a personalized running strategy for any racer and any race, was also explored. Finally all the systems, that were implemented based on the previous ideas, were successfully combined and presented to the user through a mobile application that was also implemented by the researcher. The app, the services and mostly the ideas that were researched throughout the thesis, claimed really good reviews from most of the athletes that were asked to review them through an online questionnaire. However, more data and better algorithms and techniques should be used in future, in order to improve, mostly the prediction model, and obviously the quality of the services and the products that will be used from the athletes.
Appears in Collections:Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
Nemertes_Bellos(com).pdf8.23 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.