Maastohiihtosuksen voiteen suositteleminen keliolosuhteen mukaan
Paulin, Ristomatti (2024)
Paulin, Ristomatti
2024
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-202403194722
https://urn.fi/URN:NBN:fi:amk-202403194722
Tiivistelmä
Tämän opinnäytetyön tarkoituksena oli yrittää kehittää koneoppimisalgoritmi, joka pystyisi suosittelemaan maastohiihdossa käytettäviä luistovoiteita keliolosuhteen perusteella. Opinnäytetyön toimeksiantajana toimi Jyväskylän yliopiston liikuntatieteellisen tiedekunnan liikuntateknologian Vuokatin yksikkö. Kehitettävän algoritmin tärkeimpänä tehtävänä on etenkin tehtyjen voidetestien voidetestitietokannan hyödyntäminen.
Hiihdossa suksen luisto- ja pito-ominaisuuksiin vaikuttaa useampi tekijä. Näitä ovat esimerkiksi painovoima, kitka, lumi, ilmanvastus, suksen voitelu ja sukseen tehty kuviointi, joita on avattu tarkemmin opinnäytetyön teoriaosiossa. Kitka ja ilmanvastus ovat etenkin hiihtäjän liikkumista estäviä voimia. Koska painovoima vaikuttaa aina suoraan alaspäin, se on alamäessä vauhtia lisäävä tekijä. Lumella tarkoitetaan sekä taivaalta satavaa lunta että jo maassa valmiiksi olevaa lunta, vaikka nämä ovat fysikaalisesti hyvin erilaisia. Suksen voitelulla ja kuvioinnilla saadaan parannettua suksen luistamista.
Suosittelualgoritmi pohjautuu koneoppimiseen. Koneoppiminen jaetaan yleensä ohjattuun ja ohjaamattomaan oppimiseen, ja lisäksi se voidaan jakaa myös vahvistusoppimiseen. Koska suosittelualgoritmi rakennettiin olemassa olevan aineiston pohjalta, käytettiin tässä opinnäytetyössä kehitetyissä koneoppimimalleissa ohjattua oppimista. Kehitystyössä testatut koneoppimismallit perustuvat päätöspuihin ja neuroverkkoihin.
Opinnäytetyössä kehitettyjen voiteiden suosittelualgoritmien ennustuskyky jäi toivuttua huonommaksi. Paras kehitetty suosittelu algoritmi, tarkkuuden perusteella, ylsi noin 20 % tarkkuuteen, jos sitä verrataan suosittelualgoritmiin, joka ennustaa testeissä käytetyintä voidetta. Tällaisen suosittelu algoritmin tarkkuus ylsi noin 13 % tarkkuuteen. Yksi syy sille, miksi voiteita voi olla hankala ennustaa on se, että useampi voide voi olla hyvä tietylle keliolosuhteelle, mutta tarkkuuteen perustuvalle luokittelijalle tämä on haastavampi määrittää. Toinen syy huonoille ennustustuloksille saattaa olla kehitetylle algoritmille hyödyllisen aineiston vähäinen määrä. Kolmantena syynä huonoille ennustustuloksille on aineiston- ja aineiston muuttujien laatu.
Hiihdossa suksen luisto- ja pito-ominaisuuksiin vaikuttaa useampi tekijä. Näitä ovat esimerkiksi painovoima, kitka, lumi, ilmanvastus, suksen voitelu ja sukseen tehty kuviointi, joita on avattu tarkemmin opinnäytetyön teoriaosiossa. Kitka ja ilmanvastus ovat etenkin hiihtäjän liikkumista estäviä voimia. Koska painovoima vaikuttaa aina suoraan alaspäin, se on alamäessä vauhtia lisäävä tekijä. Lumella tarkoitetaan sekä taivaalta satavaa lunta että jo maassa valmiiksi olevaa lunta, vaikka nämä ovat fysikaalisesti hyvin erilaisia. Suksen voitelulla ja kuvioinnilla saadaan parannettua suksen luistamista.
Suosittelualgoritmi pohjautuu koneoppimiseen. Koneoppiminen jaetaan yleensä ohjattuun ja ohjaamattomaan oppimiseen, ja lisäksi se voidaan jakaa myös vahvistusoppimiseen. Koska suosittelualgoritmi rakennettiin olemassa olevan aineiston pohjalta, käytettiin tässä opinnäytetyössä kehitetyissä koneoppimimalleissa ohjattua oppimista. Kehitystyössä testatut koneoppimismallit perustuvat päätöspuihin ja neuroverkkoihin.
Opinnäytetyössä kehitettyjen voiteiden suosittelualgoritmien ennustuskyky jäi toivuttua huonommaksi. Paras kehitetty suosittelu algoritmi, tarkkuuden perusteella, ylsi noin 20 % tarkkuuteen, jos sitä verrataan suosittelualgoritmiin, joka ennustaa testeissä käytetyintä voidetta. Tällaisen suosittelu algoritmin tarkkuus ylsi noin 13 % tarkkuuteen. Yksi syy sille, miksi voiteita voi olla hankala ennustaa on se, että useampi voide voi olla hyvä tietylle keliolosuhteelle, mutta tarkkuuteen perustuvalle luokittelijalle tämä on haastavampi määrittää. Toinen syy huonoille ennustustuloksille saattaa olla kehitetylle algoritmille hyödyllisen aineiston vähäinen määrä. Kolmantena syynä huonoille ennustustuloksille on aineiston- ja aineiston muuttujien laatu.