本文提出了一种框架，利用运动员运动跟踪数据实时估计篮球进攻结束时实现预期得分数量，并通过分层时空模型估计转换核函数，以分享跨运动员的信息。

Aug, 2014

本研究针对职业篮球中选手的筛选和評估进行了深入的探讨，提出了一种基于动态网络模型的 Continuous-time 随机块模型，可以实现针对不同的数据维度进行切割，以减少应试者范围。此模型与传统的统计分析方法不同，可以捕捉到选手之间的相互作用，并揭示出不同球队的进攻策略之间的微妙差异，为篮球管理层提供了很好的支持。

Jul, 2015

本文介绍了一种自动工具，可以及时提供运动员的表现分析图，同时考虑了比赛风格和游戏动态等因素，并生成易于解释的热图来分析非空间因素如何影响球员表现。

Mar, 2023

研究了国家篮球协会（NBA）球员在比赛过程中复杂决策问题的解决方法，提出了一种基于 LSTM 架构的方法来预测运动轨迹和其概率，并通过多模式损失函数更新最佳轨迹，实验结果表明该方法胜过现有技术且能够学习到球员的个人风格。

Aug, 2020

运用递归神经网络模型预测三分球成功率的研究表明，深度学习模型相对于以特征工程为主的传统机器学习方法在运用职业篮球比赛数据进行预测时表现更加优秀。

Aug, 2016

通过 PLAYBEST 方法，结合基于历史 NBA 运动跟踪数据的生成模型和价值函数，对行动轨迹进行条件采样以及分类器引导采样，生成高效的篮球战术策略，表现优异，超过传统的规划技术，适应性和灵活性更强。

Jun, 2023

我们提出了一种新的排名模型，结合 Bradley-Terry-Luce 概率模型和非负矩阵分解框架，旨在建模和揭示影响顶级网球选手表现的潜在变量。我们的模型自动推断出球场表面是男选手表現的关键决定因素，但对女性的影响则较小，并以客观的方式识别出了长时间段内不同表面上的顶尖球员。

Mar, 2019

本文提出一种从篮球运动员的第一人称视频中评估他 / 她表现的方法，并使用经过卷积 LSTM 网络处理过的原子篮球事件来构建高度非线性的视觉空间时间篮球评估特征以帮助评估。

Nov, 2016

本文回顾了篮球比赛分析方法，关注了团队战略、个人表现以及未来趋势，重点强调需要进行因果推断。

Jul, 2020

本研究通过对篮球比赛中球员的打法进行量化分析，特别关注进攻端的打法兼容性对得分效率的影响，使用追踪数据进行投篮风格聚类和基于注释的比赛类型和高级统计的进攻角色聚类，通过这两种聚类得到的阵容信息，训练和解释了基于贝叶斯模型的机器学习模型，可以预测代表得分效率的统计数据，从而提供了哪些五人组合更有效以及哪些两人组合能产生良好效果的洞察。

Mar, 2024