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
|
13天前
|
机器学习/深度学习 数据采集 分布式计算
大数据分析中的机器学习基础:从原理到实践
大数据分析中的机器学习基础:从原理到实践
56 3
|
5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。
|
6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。
679 3
|
3月前
|
机器学习/深度学习 传感器 运维
使用机器学习技术进行时间序列缺失数据填充:基础方法与入门案例
本文探讨了时间序列分析中数据缺失的问题,并通过实际案例展示了如何利用机器学习技术进行缺失值补充。文章构建了一个模拟的能源生产数据集,采用线性回归和决策树回归两种方法进行缺失值补充,并从统计特征、自相关性、趋势和季节性等多个维度进行了详细评估。结果显示,决策树方法在处理复杂非线性模式和保持数据局部特征方面表现更佳,而线性回归方法则适用于简单的线性趋势数据。文章最后总结了两种方法的优劣,并给出了实际应用建议。
181 7
使用机器学习技术进行时间序列缺失数据填充:基础方法与入门案例
|
3月前
|
机器学习/深度学习 数据可视化 大数据
机器学习与大数据分析的结合:智能决策的新引擎
机器学习与大数据分析的结合:智能决策的新引擎
324 15
|
3月前
|
机器学习/深度学习 数据采集 运维
机器学习在运维中的实时分析应用:新时代的智能运维
机器学习在运维中的实时分析应用:新时代的智能运维
116 12
|
3月前
|
编解码 机器人 测试技术
技术实践 | 使用 PAI+LLaMA Factory 微调 Qwen2-VL 模型快速搭建专业领域知识问答机器人
Qwen2-VL是一款具备高级图像和视频理解能力的多模态模型,支持多种语言,适用于多模态应用开发。通过PAI和LLaMA Factory框架,用户可以轻松微调Qwen2-VL模型,快速构建文旅领域的知识问答机器人。本教程详细介绍了从模型部署、微调到对话测试的全过程,帮助开发者高效实现定制化多模态应用。
|
4月前
|
机器学习/深度学习 Python
机器学习中模型选择和优化的关键技术——交叉验证与网格搜索
本文深入探讨了机器学习中模型选择和优化的关键技术——交叉验证与网格搜索。介绍了K折交叉验证、留一交叉验证等方法,以及网格搜索的原理和步骤,展示了如何结合两者在Python中实现模型参数的优化,并强调了使用时需注意的计算成本、过拟合风险等问题。
156 6
|
4月前
|
机器学习/深度学习 分布式计算 算法
【大数据分析&机器学习】分布式机器学习
本文主要介绍分布式机器学习基础知识,并介绍主流的分布式机器学习框架,结合实例介绍一些机器学习算法。
665 5
|
4月前
|
机器学习/深度学习 搜索推荐 算法
在数字化时代,推荐系统成为互联网应用的重要组成部分,通过机器学习技术根据用户兴趣和行为提供个性化推荐,提升用户体验
在数字化时代,推荐系统成为互联网应用的重要组成部分,通过机器学习技术根据用户兴趣和行为提供个性化推荐,提升用户体验。本文探讨了推荐系统的基本原理、常用算法、实现步骤及Python应用,介绍了如何克服数据稀疏性、冷启动等问题,强调了合理选择算法和持续优化的重要性。
143 4

热门文章

最新文章