利用 GPS 训练数据和机器学习在足球中实现有效的伤病预测
本文提出了一种新颖的足球连续球队选择模型，通过对现实世界足球数据中学习到的球员特定信息建模，以模拟球员受伤和不可用性的随机过程。通过对球员受伤概率进行推理，利用蒙特卡洛树搜索 (Monte-Carlo Tree Search) 来选择在整个足球赛季中优化长期团队表现的比赛队伍。我们将我们的方法与 2018/19 英超联赛季的基准解决方案进行验证。我们的模型在减少一线队伤病方面达到了类似的赛季预期积分，并将在受伤球员上浪费的金钱减少了约 11%，从而证明了在现实世界的足球队中降低成本和改善球员福利的潜力。
Feb, 2024
机器学习在足球比赛结果预测中已成为一种常见方法，本章讨论了该领域中可用的数据集、模型类型和特征以及评估模型性能的方法。研究发现，目前基于渐变提升树模型（如 CatBoost）和特定于足球比赛的评分（如 pi - 评分）的机器学习模型在只包含进球作为比赛特征的数据集上表现最佳，但需要更详细比较深度学习模型和随机森林在不同类型特征数据集上的性能。此外，可以进一步研究新的评分系统，其中包括球员和团队级别信息，并融合来自时空追踪和事件数据的附加信息。最后，需要提高比赛结果预测模型的可解释性，以使其对团队管理更有用。
Mar, 2024
本文提出了一种创新的方法，利用可解释机器学习模型预测职业足球运动员的市场价值。使用从 FIFA 网站整理的数据集，我们采用集成机器学习方法结合 Shapley Additive exPlanations (SHAP) 来提供模型预测的详细解释。GBDT 模型在评估模型中表现出最高的平均 R-Squared（0.8780）和最低的平均均方根误差（3,221,632.175），表明其在性能上卓越。我们的分析发现，球控、短传、射门、拦截、带球和抢断等特定技能在技能维度上很重要，而冲刺速度和加速度在健身维度上至关重要，反应在认知维度上占主导地位。我们的结果为市场价值估计提供了更准确、客观和一致的框架，并为球员转会的管理决策提供了有用的见解。
Nov, 2023
本研究提出了一种可从整体绩效与攻守两方面评估团队防守的方法，通过预测球员行为和所有球员和球位置数据来预测更频繁发生的球恢复和被进攻行为，并使用 45 场足球比赛数据检验了相关指数与实际比赛和整个赛季的团队表现之间的关系。与基于罕见事件或进球的现有分类器相比，本研究所提出的分类器可以更好地预测真实事件 (平均 F1 分数> 0.483)，同时与赛季的长期结果也有适度的相关性 (r = 0.397)。
Mar, 2021
研究工作环境中的伤害风险预测和预防问题，针对一个机构难以收集足够大的数据集、数据集不平衡和需要提供附加上下文的问题，提出并评估了多种集成重采样方法、新颖的迁移学习方法和控制相关混淆因素的各种技术。
Jun, 2019
我们的研究引入了一种创新的深度学习方法，用于预测足球犯规。该方法通过构建一个新颖的足球犯规数据集，将视频数据、边界框位置、图像细节和姿势信息相结合，利用卷积和循环神经网络 (CNNs 和 RNNs) 从这四个模态中有效地融合信息。实验结果表明我们的完整模型优于其他模型，所有的 RNN 模块、边界框位置、图像和估计的姿势在犯规预测中都有用。我们的研究结果对于更深入地理解足球比赛中的犯规行为具有重要意义，并为该领域的未来研究和实践提供了有价值的参考。
Feb, 2024
本研究探讨了职业足球历史与博彩业的重要性，并追溯了其从秘密起源到利润丰厚的千万英镑企业的演变。通过 1960 年合法化博彩所引发的转变和 Thorold Charles Reep 在足球数据收集方面的开拓，这两个领域之间的共生关系推动了快速的增长和创新。在过去的六十年中，这两个行业都经历了根本性的转变，数据收集方法从简单的记笔记发展到高清摄像机和人工智能驱动的分析等先进技术。因此，本研究的主要目标是利用机器学习算法预测英超联赛足球比赛结果。通过分析历史数据和研究各种特征的重要性，研究旨在识别最有效的预测模型，并确定影响比赛结果的关键因素。此外，研究旨在利用这些预测结果为博彩公司提供赔率设定的见解，从而强调了运动预测和博彩中明智决策的潜力，为体育分析领域的研究和实际应用开辟了新的途径。
Mar, 2024
利用图变分循环神经网络对足球比赛中球员的轨迹进行预测，并对球员在没有球的情况下对进球做出贡献的能力进行评估，结果显示提出的指标与球员的年薪相关性显著，表明该方法可以有效评估球员在没有球的情况下为队友创造进球机会的能力。
Jun, 2022
本研究旨在探讨如何利用卷积神经网络基于视频数据实现对 MLB 投手的受伤检测和预测，并实验评价该模型在不同投手、不同受伤类型、以及受伤预测时间等方面的性能表现。
Apr, 2019