随着2022年北京冬季奥运会的成功申办,球迷对冰球比赛的关注度大幅提升,对冰球赛况的预测分析方法也越来越多。在信息化快速发展的今天,冰球比赛数据的数据量和数据维度持续爆发式增长,数据规模和特征维数的增加给赛况预测研究提供了新的挑战。目前传统预测算法已经无法满足冰球赛况预测的需要,而研究发现,支持向量机(SVM)为分类预测问题提供了很好的解决思路,在处理非线性和高维数据的分类问题方面具有明显的优势。然而已有的支持向量机方法对于大规模高维数据的分类预测不能满足冰球赛况预测的需求。因此,本文针对基于支持向量机的预测模型的输入特征选择和参数优化方法,进行了深入研究,并根据冰球赛况预测模型的实际需求,设计并实现了冰球赛况预测系统原型。本文主要工作如下:(1)针对冰球数据的规模和维度较大导致支持向量机在高维空间计算复杂度较高的问题,有效的解决思路是从高维数据的众多候选特征中挑选出少量且与类别相关性较高的特征子集,并去除无关和冗余的特征。本文利用稀疏分数及类别与特征的相关性,研究基于稀疏分数和相关性分析的特征选择(ISSFS)算法,对模型的输入特征进行降维预处理,即通过计算数据集中每个特征的稀疏分数以及该特征与所属类别的相关性程度,综合分析得出最佳特征子集,从而对高维数据特征降维。仿真实验表明,ISSFS算法可以实现数据降维且分类效果较好。(2)针对基于支持向量机的预测模型中的惩罚因子C和核函数参数g对其泛化能力影响较大以及参数难以调节的问题,对并行机制算法进行深入研究,考虑从算法的随机解开始迭代,求解当前最优解并找到全局最优解,进而优化支持向量机的参数。本文利用遗传算法良好的全局优化性能,结合粒子群算法的搜索速度快、效率高的优点,给出混合遗传粒子群参数优化(HGAPSO-SVM)算法,通过粒子群算法优化遗传算法的迭代更新步骤,实现对支持向量机的参数优化。仿真实验表明,HGAPSO-SVM方法相对于传统的预测方法精度分别提高3.6%,7.4%。(3)结合冰球赛况预测系统需求、组织结构以及主要功能流程,将本文研究的冰球赛况预测模型应用于冰球赛况预测系统中,给出了冰球赛况预测系统的关键技术的详细实现及典型运行实例。