1.课题名称、来源、选题依据

1.1课题名称

美国男子职业篮球比赛数据分析与展示

1.2课题来源和选题依据

本课题来源于生产实际，指导教师参与了公司实际的企业车辆管理系统项目,熟悉了该项目的业务流程以及设计开发的全过程。本系统基于美团、饿了么等外卖商业模式，并且在校期间有做过类似于第三方服务提供商的平台开发而进行课题研究，蛋糕预订网站解决的是用户依托于互联网进行网上交易，扩大了店铺的知名度，而不仅仅局限于当地范围区域。

1.3选题的背景

近年来随着我国经济的高速发展，以及人民生活水平的日益提高，有效的促进了我国体育文化行业的迅速发展。而美国男子职业篮球比赛作为全球体育竞技水平最高的篮球联赛，拥有全球最多的篮球粉丝，每到新赛季开赛，人们的关注点就在各大美国男子职业篮球比赛球队上。随之哪个球员更好、哪支球队更具竞争力、战术体系更为出色往往是大家关注的重点。

针对以上问题，我们通过调研该行业，结合相关采集数据。该项目直接对美国男子职业篮球比赛的近年来比赛产生的数据进行采集、分析，对数据结构化，使数据直观的、可视化显示出来，让大家在每次观赛的时候更能对双方球队有特点有更加直观的认识，找到自己理想的主队，同时合理的分析美国男子职业篮球比赛的比赛数据，对比赛结果进行合理预测。

2.课题国内外研究现状和发展趋势

2.1国内研究现状

近年来随着我国经济的高速发展，以及人民生活水平的日益提高，我国文体类消费水平日渐提高。而美国男子职业篮球比赛（以下简称NBA）作为全球竞技水平最高的职业男子篮球竞技联赛在国内外拥有大批粉丝观众。而国内还不具有对NBA各项数据一个综合的研究数据与展示平台，但对于历史数据分析国内已有较为完整的研究报告。

通过查阅国内资料可知早在1996年就已经有较为完备数据分析报告，如众教头畅谈新赛季——’96—’97赛季NBA形势分析(一) [1] 、中国男子篮球甲级联赛(CBA).职业联赛(CNBA)和美国NBA联赛的比较研究[2]，以上报告反应出国内早期研究处于基于历史数据结合个人经验的数据分析具有较为强烈的主观个人色彩。其无法太为客观的反映出数据所带来的真实性。而通过对近些年文章的查询发现国内已具有较为完整的NBA数据分析如：基于因子分析和K-Means算法对NBA得分后卫的功能性分析[3] 、NBA球员季后赛生涯总得分影响因素与回归分析——基于1948—2017年NBA季后赛面板数据[4]、通过机器学习,利用1956—2018年NBA常规赛技术统计数据,对NBA常规赛MVP投票进行分析[5]，以上报告反应出国内近些年对NBA数据分析是基于历史数据的机器学习，这样的分析结果更加可信，因其去掉了主观个人色彩完全是基于历史数据给出的分析结果。而这样结果给出的预测也更加准确。

2.2 国外研究现状

国外从1997年开始就出现了对NBA数据进行系统分析的一个系统 Advanced Scout，Advanced Scout是一个基于pc的数据挖掘应用程序，由美国国家篮球协会(NBA)的教练人员使用，以发现篮球比赛数据中有趣的模式 [6]。而近几年国外在这些方面有了更加长足的发展如：经济模型预测，“超级巨星”球员产生的外部效应，除了他们个人对球队成功的贡献外，还会增加上座率和其他收入来源。我们调查了1981-1982年至2013-2014年间超级明星球员对nba个人比赛上座率的影响[7]。构建了一组固定效应、普通最小二乘回归模型，将球员2016-2017年的预分配球员工资指定为主要球队固定效应、进攻调整正负、防守调整正负、比赛位置和控制变量(如年龄)的函数[8]。通过这两篇论文可知国外不仅研究球员场内的影响因子还研究球员场外的影响因子。而对于场上的研究国外更是拥有大量经验如：提出了一种使用ELO算法进行预测的方法，并利用图形数据库Neo4j进行实现[9]。通过模拟发现，与标准LLR和最先进的LLR方法相比，我们的方法显示了很好的覆盖范围、间隔长度和均方误差特性。最后，通过研究第一轮选秀对nba球员表现和上场时间的影响，探讨了我们的方法在现实世界中的表现[10]。通过此两篇论文可知国外有对赛场数据作了大量的分析。

3.本课题的目的及意义

格式：宋体，字号：小四，行距：固定值20磅；内容可加附页。（填写内容后请删除本行）

4. 本课题的任务、重点内容、研究方法、实现途径

4.1 研究任务

（1）美国男子职业篮球比赛数据分析与展示的设计与开发。

（2）完成毕业设计报告撰写。

4.2 工作内容

完成项目的需求分析、系统设计、测试、部署等开发过程，采用Django、机器学习、Hadoop大数据分析技术和Pycharm来实现。

通过爬虫对http://www.stat-nba.com/网站的爬取，获取美国男子职业篮球比赛数据（下简称NBA）, 美国男子职业篮球比赛数据包括：比赛信息、球员信息、教练信息。比赛信息包括：比赛球队名称、比赛日期、比赛比分、每支球队每节得分、每支球队每个球员的表现（本场得分、投篮命中率、篮板数、抢断数）、每支球队是否为主客场、每支球队本场的主教练。球员信息包括：球员中文译名、球员英文名、球员出生日期、球员身高、球员体重、球员出生地区、球员生涯表现（生涯得分、生涯篮板、生涯抢断、生涯出场数、生涯首发数）、球员生涯荣誉。教练信息：教练中文译名、教练英文名、教练执教时常、教练执教胜率。爬取以json格式保存，最后统一保存到数据库。

由Hadoop生态圈中的spark,通过对球员数据进行分析，得出球员的三维图（包括球员进攻得分、球员防守得分、球员组织得分），通过三维图，得出球员的总得分。由三维图以及总得分得，通过K-means算法得出球员是那个类型的球员。通过对教练数据的分析得出教练的三维图（包括球队进攻得分、球队防守得分、球队传球得分），通过三维图，得出教练的总得分。由三维图以及总得分得，通过K-means算法得出教练是那种风格的教练。由教练得分、球员得分、球员是否首发、球队历史战绩，通过线性回归算法预测两支球队的胜率分别为多少。

数据展示本系统采用Django框架，前端通过Html+JavaScript实现数据的传输以及展示。后台由Django实现数据的传输处理。数据库将会采用MYSQL或者HBASE。

本系统将会有两个角色实现：用户以及管理员，用户可以查询：球员数据、球员评分、球员三维图、教练数据、教练三维图、教练评分、球队历史数据、球队历史评分等等。管理员负责对用户和数据进行管理，对整体网站进行维护。

本系统是通过对美国男子职业篮球比赛历史数据得采集，采用Hadoop生态圈中的Spark对数据进行分析，通过其分析数据采用机器学习的K-means和线性回归算法对数据进行合理的分析和预测。得到的最终结果将通过Django+Html+JavaScript的方式到前端展示。

（1）项目的主要功能

①系统基础信息管理。

如：角色管理、用户管理、权限管理。

②用户信息管理。

如：添加用户，用户信息维护。

③蛋糕信息管理。

如：添加蛋糕，蛋糕信息维护。

④店铺管理。

如：添加店铺，店铺信息维护。

⑤预订交易单管理。

如：顾客对选定的蛋糕进行预订，付款等；

⑥系统统计分析。

如：每日或每周、月等的交易额等信息。

（2）设计报告大纲目录

摘要

1 绪论

1.1 研究目的及意义

1.2 国内外研究现状

1.3 论文的组织结构

1.4 小结

2 关键技术

2.1 Spring

2.2 SpringMVC

2.3 MyBatis

2.4 MySQL

2.5 Tomcat

2.4 小结

3 需求分析

3.1 业务建模

3.2 系统角色分析

3.3 用例图

3.4 非功能性需求

3.5 小结

4 系统分析与设计

4.1 系统架构

4.2 系统功能设计

4.3 数据库设计

4.4 小结

5 系统实现

5.1系统实现概述

5.2 功能模块实现

5.3 小结

6 系统测试

7 系统部署

8 总结与展望

致谢

参考文献

4.3拟解决的重点和难点

重点：预订交易单管理、蛋糕信息展示、系统统计分析。

难点：预订交易单管理。

4.4研究方法及技术路线

（1）文献调研法，通过知网、万方、维普等文献网站查询本课题相关的文献，认真阅读并归纳总结，得出问题解决研究方案。

（2）实践研究法，以软件工程理论为导向，实践项目开发，其思路及方法见图1所示。

图1 研究思路

4.5 工作计划

2020年11月-2020年12月：毕业设计开题，完成文献资料查阅，制定开发技术路线。

2020年12月-2021年01月：开展业务调研，完成项目需求分析、系统设计，系统主体功能实现。

2021年01月-2021年02月：完成系统的实现与测试。

2021年01月-2021年03月：撰写毕业设计报告，完成初稿。

2021年04月-2021年05月：完成毕业设计报告终稿，参与答辩。

5.完成本课题所需工作条件（如工具书、计算机、实验、调研等）及解决办法

格式：宋体，字号：小四，行距：固定值20磅。内容可加附页。（填写内容后请删除本行）

参考文献

[1]张欣 ,张雄.众教头畅谈新赛季——'96—'97赛季NBA形势分析(一)[J].篮球,1996(11):8-23.

[2]张伟建,邓飞.中国男子篮球甲级联赛(CBA).职业联赛(CNBA)和美国NBA联赛的比较研究[J].体育学刊,1998(03):96-97.

[3]蒋雪辰,左小五,陈胜,沈昱明.基于因子分析和K-Means算法对NBA得分后卫的功能性分析[J].体育研究与教育,2020,35(05):73-79.

[4]王翔宇,高扬,耿迪,王晓昀,杨铃春.NBA球员季后赛生涯总得分影响因素与回归分析——基于1948—2017年NBA季后赛面板数据[J].内江师范学院学报,2020,35(06):101-105.

[5]任昕.基于机器学习的NBA常规赛MVP投票分析与预测[J].竞争情报,2020,16(01):9-23.

[6]Inderpal Bhandari,Edward Colet,Jennifer Parker,Zachary Pines,Rajiv Pratap,Krishnakumar Ramanujam. Advanced Scout: Data Mining and Knowledge Discovery in NBA Data[J]. Data Mining and Knowledge Discovery,1997,1(1).

[7]Brad R. Humphreys,Candon Johnson. The Effect of Superstars on Game Attendance: Evidence From the NBA[J]. Journal of Sports Economics,2020,21(2).

[8]Justin Ehrlich,Shane Sanders,Christopher J. Boudreaux. The relative wages of offense and defense in the NBA: a setting for win-maximization arbitrage?[J]. Journal of Quantitative Analysis in Sports,2019,15(3).

[9]Song Yan,Siyuan Meng,Qiwei Liu,Jing Li. Design and Implementation of NBA Playoff Prediction Method Based on ELO Algorithm and Graph Database[J]. Journal of Computer and Communications,2019,07(11).

[10]Zach Branson,Maxime Rischard,Luke Bornn,Luke W. Miratrix. A nonparametric Bayesian methodology for regression discontinuity designs[J]. Journal of Statistical Planning and Inference,2019,202.