张欣欣， 郭 纯， 郭 真， 左 鑫

(1. 海南师范大学 体育学院， 海口 571158； 2. 湖南大学 体育学院， 长沙 410012； 3. 湖南理工学院 体育学院， 湖南 岳阳 414006)

体育成绩的建模与预测，不但可以指定锻炼计划[1]，还能够增加锻炼效率[2].一般来说，对体育成绩的建模与预测将一定时间段内的体育成绩数据看作是时间序列数据，可采用多元线性回归对其完成非线性建模，通过计算预测参数对某个个体的体育成绩进行估计[3].为了解决传统方法在体育成绩预测中的缺陷，近年来快速发展的模糊理论和灰色理论成为了研究热点[4]，灰色预测过程可以看作是一个黑盒子，虽然对普通大众部分不规则的体育成绩预测有良好效果，但是预测结果缺乏一定的解释性[5].此外，机器学习模型也逐渐引用至体育成绩预测过程中，相比于传统计算模型，机器学习模型能够通过自组织、非线性的方式从已有体育成绩数据中学习出映射关系，获得精准的成绩预测结果，同时还有较强的解释性[6].

目前为止，传统机器学习体育成绩预测方法已经无法面对海量的大数据[7].为了解决海量数据背景下的体育成绩预测问题，本文在GM(1，1)模型和GOM模型基础上提出了一种改进的等维动态GOM模型提取体育成绩时间序列中的灰度特征，并构建深度卷积神经网络完成对体育成绩时间序列的回归与预测，获取更精确、稳定的体育成绩预测.

1 体育成绩灰度预测特征模型的构建

经典的灰度预测特征模型为GM(1，1)模型……