岱凯为环法自行车赛引进机器学习技术 更深入的赛事分析使全球自行车爱好者对本届大赛了如指掌

简介:

2017年6月29日,中国北京-环法自行车赛主办机构阿莫里体育组织(AmaurySportOrganisation,简称A.S.O.)与赛事官方技术合作伙伴岱凯(DimensionData)联合宣布本年度的环法自行车赛将引入机器学习技术,为全球的自行车爱好者带来前所未有的体验。环法自行车赛将于7月1日从德国的杜塞尔多夫(Düsseldorf)出发,并于7月23日到达巴黎的香榭丽舍大道。

由岱凯与A.S.O.共同开发的岱凯数据分析平台,将于今年引入机器学习技术和精密的算法,把赛事的即时数据与历史数据相结合,并根据赛事进展提供更深入的分析。粉丝还可以利用车手个人资料档案,以加深了解车手在哪种赛道环境和比赛情况下表现最佳。

作为今年先导计划的一部分,A.S.O.及岱凯将首次利用预测性分析技术,预测发生不同赛事状况的可能性,例如主车群是否会在某个赛段赶上突围车手。

岱凯中国区首席执行官陆志宏表示:"随着运动领域引入更多科技,观赏体验也因此大幅改进,随之体育活动也日见普及。最让我们兴奋的是岱凯能够帮助A.S.O.吸引热衷于数字科技的新一代拥护者,机器学习等先进技术造就了新方法来提供当前运动领域粉丝所需的赛事细节分析。"

即时追踪和数据分析解决方案,以安装于每部自行车座位下的全球卫星定位系统信号转发器为核心,并将它们收集的数据与外部数据相结合,如赛道斜度及天气情况等,得出车手的实时速度与所在地点、各个车手之间的距离,以及参赛队伍阵容等种种分析结果。今年的方案将在整项环法自行车赛的21个赛段产生并分析超过30亿个数据点,相比去年的1.28亿有显著增加。

A.S.O.环法自行车赛总监ChristianPrudhomme指出:"我们现在的粉丝都希望可以完全沉浸在赛事之中。他们不仅比以往对社交平台提供的数字互动体验更加投入,也更加希望赛事期间能够通过第二屏幕享受到精彩的实时赛况。科技已经让我们彻底改变这些粉丝观看赛事的体验。"

更加完善的环法自行赛解决方案利用了一个完全基于云端的虚拟化数据中心提供所需的运作规模,因而可减少在赛事现场负责操作系统的人员。由于云端可在世界不同地点进行管理,所以这种方案模式同时提供了地理上的灵活性。今年岱凯分布四大洲的技术团队将通过配备了最先进数字技术和虚拟工作场所的超级连接的移动协作中心共同工作,一起为环法自行车赛作出贡献。

环法自行车赛部分亮点还包括:

.22支队伍的198位选手将于全长3,540公里的赛道产生超过1.5亿个有关地理空间和环境的数据

.环法自行车赛的现场跟踪网站racecenter.letour.fr在2016年平均每秒处理2,000页请求,而今年己经提升至支持每秒可处理25,000页请求

.2016年全球有来自190个国家的100个电视频道播放了共6,100小时的节目。凭着A.S.O.的努力,电视广播的时长将由去年的80小时增加至今年的105小时,且赛事将由每个赛段的首公里便开始直播

"网络安全是环法自行车赛的首要关注问题。岱凯云端安全系统于2016年赛事期间侦测出1,409,769件可疑访问事件并予以阻截。

关于岱凯

岱凯(DimensionData)应用科技的力量,帮助企业在数字时代走向成功。作为NTT集团成员之一,岱凯通过数字基础设施、混合云、未来工作场所及网际安全,帮助客户加速实现其商业雄心。岱凯的年营收达75亿美元,并在全球58个国家设有办公室,拥有31,000名员工。不论客户所在何地以及处于技术发展的哪个阶段,岱凯都能提供所需服务。岱凯非常荣幸能够成为环法自行车赛主办方AmaurySportOrganisation的官方技术合作伙伴,以及TeamDimensionDataforQhubeka车队的冠名合作伙伴。

在亚太地区,在13个国家设有50个办公室,为客户提供技术方面的支持,运营客户的IT基础架构,助力其向技术解决方案转型并实现价值。我们拥有在网络、安全、客户体验和协作、数据中心和终端用户计算方面的专长,同时在IT外包、IT作为服务、系统集成服务和培训方面拥有领先技术。

阿莫里体育组织(AmaurySportOrganisation)是一家秉承运动价值来打造并组织顶级国际体坛盛事的公司。它拥有与筹办、媒体和销售体育赛事相关的所有业务。阿莫里体育组织每年在25个国家举办70项赛事,包括环法自行车赛、达喀尔汽车拉力赛、施耐德电气巴黎马拉松赛和法国帆船巡回赛,为期长达270天。阿莫里体育组织是阿莫里集团(AmauryGroup)的附属公司,而阿莫里集团是传媒及体育集团,也是法国体育日报《队报》(L'Équipe)的持有人。





本文出处:畅享网
本文来自云栖社区合作伙伴畅享网,了解相关信息可以关注vsharing.com网站。
目录
相关文章
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
人工智能与机器学习:探索未来的技术边界
【10月更文挑战第18天】 在这篇文章中,我们将深入探讨人工智能(AI)和机器学习(ML)的基础知识、应用领域以及未来趋势。通过对比分析,我们将揭示这些技术如何改变我们的生活和工作方式,并预测它们在未来可能带来的影响。文章旨在为读者提供一个全面而深入的理解,帮助他们更好地把握这一领域的发展趋势。
|
3月前
|
机器学习/深度学习 算法 数据可视化
机器学习模型中特征贡献度分析:预测贡献与错误贡献
本文将探讨特征重要性与特征有效性之间的关系,并引入两个关键概念:预测贡献度和错误贡献度。
338 3
|
24天前
|
机器学习/深度学习 自然语言处理 语音技术
探索机器学习中的自然语言处理技术
【10月更文挑战第38天】在本文中,我们将深入探讨自然语言处理(NLP)技术及其在机器学习领域的应用。通过浅显易懂的语言和生动的比喻,我们将揭示NLP技术的奥秘,包括其工作原理、主要任务以及面临的挑战。此外,我们还将分享一些实用的代码示例,帮助您更好地理解和掌握这一技术。无论您是初学者还是有经验的开发者,相信您都能从本文中获得宝贵的知识和启示。
27 3
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
思通数科AI平台在尽职调查中的技术解析与应用
思通数科AI多模态能力平台结合OCR、NLP和深度学习技术,为IPO尽职调查、融资等重要交易环节提供智能化解决方案。平台自动识别、提取并分类海量文档,实现高效数据核验与合规性检查,显著提升审查速度和精准度,同时保障敏感信息管理和数据安全。
98 11
|
2月前
|
数据采集 移动开发 数据可视化
模型预测笔记(一):数据清洗分析及可视化、模型搭建、模型训练和预测代码一体化和对应结果展示(可作为baseline)
这篇文章介绍了数据清洗、分析、可视化、模型搭建、训练和预测的全过程,包括缺失值处理、异常值处理、特征选择、数据归一化等关键步骤,并展示了模型融合技术。
86 1
模型预测笔记(一):数据清洗分析及可视化、模型搭建、模型训练和预测代码一体化和对应结果展示(可作为baseline)
|
2月前
|
机器学习/深度学习 数据可视化 数据挖掘
机器学习中空间和时间自相关的分析:从理论基础到实践应用
空间和时间自相关是数据分析中的重要概念,揭示了现象在空间和时间维度上的相互依赖关系。本文探讨了这些概念的理论基础,并通过野火风险预测的实际案例,展示了如何利用随机森林模型捕捉时空依赖性,提高预测准确性。
88 0
机器学习中空间和时间自相关的分析:从理论基础到实践应用
|
2月前
|
机器学习/深度学习 数据可视化 算法
机器学习中的回归分析:理论与实践
机器学习中的回归分析:理论与实践
|
2月前
|
机器学习/深度学习 数据采集 算法
【Python篇】从零到精通:全面分析Scikit-Learn在机器学习中的绝妙应用
【Python篇】从零到精通:全面分析Scikit-Learn在机器学习中的绝妙应用
44 2
|
3月前
|
机器学习/深度学习 数据可视化 JavaScript
探索机器学习模型的可视化技术
【9月更文挑战第23天】在数据科学中,理解和解释机器学习模型的决策过程是至关重要的。本文将介绍几种流行的可视化工具和库,如TensorBoard、D3.js等,帮助读者更好地理解模型内部工作原理及其预测结果。通过实例演示如何使用这些工具进行模型可视化,增强模型的可解释性。
|
2月前
|
机器学习/深度学习 数据挖掘
二、机器学习之回归模型分析
二、机器学习之回归模型分析
129 0