Prediction of personalized speed skating results using Case-Based Reasoning

Abstract

Case-based reasoning (CBR) er en metodikk for problemløsning som de siste årene har blitt brukt i forskning for idrett. CBR er et intelligent opplevelsesbasert system, som baserer seg på teorien om at lignende problemer har lignende løsninger, og dermed lett kan tilpasses en rekke ulike fagområder. I dette arbeidet bruker vi CBR for å forutsi en best mulig sluttid for en skøyteløper gitt ulike eksterne forhold.

Med inspirasjon fra relatert forskning om lignende systemer, har vi undersøkt er system som håndterer de viktigste faktorer som påvirker skøyteløp og finner de mest like tilfel- lende som grunnlag for prediksjonen. CBR-systemet ble modellert med den åpen pro- gramvaren myCBR Workbench og SDK. Denne programvaren henter like tilfeller med et API laget av SDKen. Prosessen er basert på det lokale-globale likhetsprinsippet og blir definert myCBR Workbench.

Når vi ser på resultatene, kan vi konkluderer med at et CBR-system som dette passer problemstilling. Skøyteløp tilbyr flere ikke-numeriske faktorer som gjør en betydelig forskjell på resultatene. Vi har testet to strategier for å beregne nye sluttider, og fant median strategien som den mest optimistiske, og gjennomsnittlig strategi den som hadde mest variasjoner. Vi eksperimenterte med to ulike metoder for å hente ut like tilfeller der bruk av ikke-personlige-beste tider ga de mest konsistente resultatene på grunn av at kunnskapsbasen inkluderer flere gyldige tilfeller enn metoden som bruker sesong-best. En mulig forbedring til vårt system er å implementere revise og retain prosessen, slik at CBR-modellen bruker erfaring fra allerede løste problemer og evaluerer betydelsen av ikke-numeriske parametere.

Case-based reasoning (CBR) is an approach to problem-solving used in research for sports science in the past years. CBR is an intelligent experience-based solution solving system explained as similar problems have similar solutions, and easily adapted to various fields. In this work, we use case-based reasoning for predicting best possible finish-times for speed skaters given various external conditions.

With inspiration from related research in recommendation systems for other sports, we studied a system handling the factors affecting speed skating and retrieving the most sim- ilar races for further prediction. The CBR system was modeled with the open-source software myCBR Workbench and SDK. This software retrieves cases with a restful API provided by the SDK based on the local-global similarity principle also defined in myCBR Workbench.

Looking at the results, we conclude that a CBR system like this is suitable for our problem statement. Speed skating offers multiple non-numeric features that can make a signifi- cant difference in the results. We tested two strategies for calculating new finish-times, where we found that the median strategy performed the most optimistic results, and mean strategy had less consistency. We experimented with two retrieval approaches where the use of non-personal-best times gave the most consistent results due to the knowledge base included more applicable cases than the season-best approach. A possible improvement upon our system is to implement the revise and retain process, so the CBR model use experience from solved cases and evaluates the non-numerical parameters.