估计足球运动员技能是体育分析中的一个关键任务。本文介绍了对广泛使用的期望控球价值模型进行多次扩展，以解决选择问题等关键挑战。首先，我们赋予射门前紧密发生的事件比其之前发生的事件更大的权重（衰减效应）。其次，我们的模型通过考虑衰减效应和有效比赛时间更准确地融入控球风险评估。第三，我们整合了个体球员在空中和地面的交锋中胜利的能力评估。使用扩展的期望控球价值模型，我们预测了即将到来赛季各种足球运动员的这一度量，特别考虑了对手的实力。

Jun, 2024

本文采用机器学习方法来分析 NBA 职业篮球运动员的投篮选择规律，并用非负矩阵分解的方法得出了低维度的球员类型空间表征。

Jan, 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

在美式足球比赛中，使用球员追踪数据和长短时记忆循环神经网络构建球员模型，实现了比赛情况和赛况期望点值的连续时间估值。

Jun, 2019

本篇研究提出了基于神经时间点过程 (NTPP) 框架的基于 Transformer 的标记空间时间点过程 (NMSTPP) 模型，并提出了综合利用球权的度量方法（HPUS），其中，该模型在足球事件数据的预测表现优于基线模型，而 HPUS 得分可以更全面地评估足球比赛中球权的利用率。

Feb, 2023

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

我们提出了两个数学模型来预测篮球比赛中的无球得分机会，分别考虑了传球得分和运球得分的动作，我们利用 630 场 NBA 比赛中的球员追踪数据评估了这些模型，结果表明 BIMOS 在得分预测准确性方面优于 BMOS，因此我们的模型为篮球的战术分析和球员评估提供了有价值的见解。

Jun, 2024

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

本文提出一种基于整数规划的方法，建模球和球员之间的交互，并对球的轨迹施加适当的物理约束条件，以提高低分辨率视频中球的跟踪精度和鲁棒性，在排球、篮球和足球等实际应用场景中表现比现有研究更优秀。

Nov, 2015

本文使用篮球比赛数据，提出连续时间随机游走模型描述了篮球比赛得分的统计规律，并且考虑了篮球比赛的个性化特征，包括比赛中球队实力的差异等因素，并建立了能够解释文件中所提到的各种统计特征的计算模型。

Sep, 2011