<?xml version="1.1" encoding="utf-8"?>
<article xsi:noNamespaceSchemaLocation="http://jats.nlm.nih.gov/publishing/1.1/xsd/JATS-journalpublishing1-mathml3.xsd" dtd-version="1.1" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"><front><journal-meta><journal-id journal-id-type="publisher-id">ASDS</journal-id><journal-title-group><journal-title>Applied Statistics and Data Science</journal-title></journal-title-group><issn>3066-8433</issn><eissn>3066-8441</eissn><publisher><publisher-name>Art and Technology</publisher-name></publisher></journal-meta><article-meta><article-id pub-id-type="doi">10.61369/ASDS.12183</article-id><article-categories><subj-group subj-group-type="heading"><subject>Article</subject></subj-group></article-categories><title>基于循环神经网络的奥运奖牌榜预测</title><url>https://artdesignp.com/journal/ASDS/1/3/10.61369/ASDS.12183</url><author>赵芯禾,赵娜娜,陈齐兴,韩怡</author><pub-date pub-type="publication-year"><year>2025</year></pub-date><volume>1</volume><issue>3</issue><history><date date-type="pub"><published-time>2025-05-20</published-time></date></history><abstract>在全球体育经济中，奥运奖牌榜备受瞩目。本文以2024年巴黎奥运会为研究对象，综合历史奖牌数据、奥运项目数量和类型等因素，用XGBoost填补缺失值，整理出奖牌数、主办国标识符等特征。随后采用Seq2Seq模型，并用模拟退火算法优化，使判定系数从0.763提升至0.896。最后，通过配对样本t检验发现，执教后球队奖牌数显著变化，证实了&amp;ldquo;伟大教练效应&amp;rdquo;，为各国奥委会的资源分配和战略规划提供支持。</abstract><keywords>奥运奖牌预测,XGBoost,Seq2Seq,优秀教练,资源优化</keywords></article-meta></front><body/><back><ref-list><ref id="B1" content-type="article"><label>1</label><element-citation publication-type="journal"><p>[1]蒋晋豫,王海燕,张馨之,等. 基于XGBoost算法的森林生物量多源遥感反演[J]. 西北林学院学报,2025,40(2):198-206,219.[2]Chen,T., Guestrin, C. XGBoost: A Scalable Tree Boosting System[C]. Acm Sigkdd International Conference on Knowledge Discovery &amp;amp; Data Mining, 2016.785-794.[3] 常圣南. 基于Seq2Seq模型的多标签文本分类研究[D]. 辽宁: 大连海事大学,2022.[4] 许洁林, 张灏龙, 李静, 等. 基于模拟退火算法的装备组合优化算法与仿真[J]. 计算机仿真,2025,42(1):13-18.[5] 冯纬枢. 优化超参数的LSTM网络频谱预测[J]. 福建质量管理,2020(9):295-297.[6]门超杰,赵静,张楠. 基于图增强和注意力机制的时间序列不确定性预测[J]. 华东师范大学学报（自然科学版）,2025(1):82-96.[7]陈明良,马志远,张东辉,等. 基于SHAP可解释性的焊缝缺陷类型超声识别XGBoost模型[J]. 无损检测,2024,46(6):36-42.[8]姜瑶,颜泽文,黎良辉,等. 灌区用水优化模型参数全局敏感性分析与不确定性优化[J]. 农业机械学报,2023,54(7):372-380.[9]王海军,王涛,俞慈君. 基于递归量化分析的CFRP超声检测缺陷识别方法[J]. 浙江大学学报（工学版）,2024,58(8):1604-1617.[10]李润,钟林,郭蓓蓓,等. 方差分析和灰色关联分析在玉米品种评价中的应用[J]. 现代农业科技,2025(5):38-41.[11]高艺祥,杨民红,李兰会. 独立样本t检验的Excel和SPSS分析[J]. 畜牧与饲料科学,2018,39(10):79-82.[12]栗志磊,李俊,施智平,等. 用于视频行为识别的高效二维时序建模网络[J]. 计算机工程与应用,2023,59(3):127-134.</p><pub-id pub-id-type="doi"/></element-citation></ref></ref-list></back></article>
