在2024年2月19日至2月21日，山东大学为人民服务青年调研队在将数学建模应用于现实场景的实践活动中，选择了网球比赛中的“势头”作为研究对象，旨在探索其对比赛结果的影响力。在竞技体育的现代背景下，对比赛中细微变化的精准解析，已经成为提高运动员及教练战略规划能力的关键。

深入剖析网球比赛中“势头”概念的重要性后，团队采纳了一种创新性的方法来应对这一挑战。在多种分析方法的考量中，建立了基于长短期记忆（LSTM）的PMLSTM模型，鉴于其在处理时间序列数据方面的卓越能力，特别适用于捕捉比赛过程中的动态变化。 团队的研究起始于大量网球比赛数据的收集与整理，这是确保模型准确度的关键步骤。团队发现，传统的数据处理手段无法有效解决数据中存在的复杂非线性问题。因此，转而采用适应性更强的BP神经网络填补数据缺失，显著提升了数据完整性与分析精度。

在模型建立过程中，团队面对的挑战之一是选取合适的特征。通过因子分析和层次分析法（AHP），将庞大的观测变量简化为较少的潜在因子，不仅简化了模型的复杂度，同时提升了模型的解释力。通过此过程，锁定了影响比赛“势头”的关键因素，为模型构建提供了坚实的理论基础。

团队成员集中精力研究了影响比赛“势头”的几个核心因素：过程因子、发球接球因子、失误因子和技术因子，这些要素共同构成了比赛中的“势头”。对这些关键因素的深度分析与权重配置，赋予了PMLSTM模型以精确预测比赛动态的能力，为网球运动员和教练提供了宝贵的见解与策略建议。

在利用神经模型的优化阶段，团队着重提升了模型的准确性和泛化能力。通过与传统的BP神经网络模型的对比，观察到PMLSTM模型在分类性能和拟合水平上均展现出了显著优势。这一发现不仅验证了团队选择方法的合理性，也展示了PMLSTM模型在预测网球比赛动态中的高度可信度和实用价值。

（图、文/赵文卓）