【技术实现步骤摘要】
基于深度学习的重大体育赛事举办城市选址方法
[0001]本专利技术属于城市选址领域,尤其是涉及一种基于深度学习的重大体育赛事举办城市选址方法。
技术介绍
[0002]对于重大赛事的选址工作,传统的工作模式是赛事组织者或承建者讨论研究各个候选城市的各项指标,从而得出举办的城市。此种工作方式过于依赖主观经验的判断,过度要求相关负责人的主观能力,缺乏客观依据支持,可能存在偏颇的情况,而对于决策的正确性和准确性也无法得到充分地证明,最终的结果也没有实际的依据作为印证,属于不完善的运作模式。
技术实现思路
[0003]有鉴于此,本专利技术旨在提出一种基于深度学习的重大体育赛事举办城市选址方法,以解决面对重要的赛事活动进行选址时缺乏客观依据支持的问题。
[0004]为达到上述目的,本专利技术的技术方案是这样实现的:
[0005]基于深度学习的重大体育赛事举办城市选址方法,具体步骤如下:
[0006]S1、确定影响重大体育赛事举办城市选择结果的指标,对影响重大体育赛事举办城市选择结果的指标进行数据化;
[0007]S2、深度学习,构建深度学习的重大体育赛事举办城市选址模型,具体步骤如下:
[0008]S21、输入训练数据,设定一个所有数据均未定义k值矩阵;
[0009]S22、设定评估地址有n个,评估指标有m个,将影响重大体育赛事举办城市选择结果的指标转换为矩阵X=(X
ij
)
n
×
m
,i∈[1,2,3,...n ...
【技术保护点】
【技术特征摘要】
1.基于深度学习的重大体育赛事举办城市选址方法,其特征在于,具体步骤如下:S1、确定影响重大体育赛事举办城市选择结果的指标,对影响重大体育赛事举办城市选择结果的指标进行数据化;S2、深度学习,构建深度学习的重大体育赛事举办城市选址模型,具体步骤如下:S21、输入训练数据,设定一个所有数据均未定义k值矩阵;S22、设定评估地址有n个,评估指标有m个,将影响重大体育赛事举办城市选择结果的指标转换为矩阵X=(X
ij
)
n
×
m
,i∈[1,2,3,...n],j∈[1,2,3,...m],并对矩阵X进行归一化变换形成归一化矩阵Y=(Y
ij
)
n
×
m
;S23、机器学习,以矩阵k与归一化矩阵Y结合,结合反向传播算法以需要的结果为导向,对k值矩阵进行迭代训练,直至输出数据和预期值的差距缩小至最小,即算法收敛形成权重k
’
矩阵;S3、利用TOPSIS分析方法,输入正式选址数据和权重k
’
矩阵,确定举办城市选址,具体步骤如下:S31、输入正式选址数据,重复步骤S22形成归一化矩阵Z=(Z
ij
)
n
×
m
,S32、设定存在某一极理想化的举办地址,构造最优向量Z
+
,从归一化矩阵Z中,每个指标均选取最优值,构成最优向量,记为:Z
+
=(Z
max1
,Z
max2
,
…
Z
max m
),同理,设定存在某一极不理想化的举办地址,构造最劣向量Z
‑
,从归一化矩阵Z中,每个指标均选取最劣值,构成最劣向量,记为:Z
‑
=(Z
min1
,Z
min2
,
…
Z
minm
);S33、计算每个候选地址归一化的向量在附加权重k
’
矩阵后与最优向量Z
+
的距离计算每个候选地址归一化的向量在附加权重k
’
矩阵后与最劣向量Z
‑
的距离S34、通过和计算每个候选地址的归一化的向量在附加权重k
’
矩阵后与最优向量的接近程度C
i
;S35、按照C
i
值从大到小的顺序对各候选城市进行排序,C
i
值越大方案越优。2.根据权利要求1所述的基于深度学习的重大体育赛事举办城市选址方法,其特征...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。