使用QPass方法对整个赛季的数据分析后，确定每个足球运动员通过其传球带来的内在价值，提出了不同游戏风格的传球轨迹，揭示了一个相当反直觉的范例：失去控球权可能会导致获胜的机会更大。

Aug, 2016

本文提出一种基于贝叶斯统计框架的足球比赛中胜率预测模型，通过对比现有模型，构建了一个可信的、根据比赛时间变化的贝叶斯统计模型，通过对五大顶级联赛八个赛季的数据进行实证评价，表明该模型能够提供良好的结果预测，并能够提升球迷体验和评估关键比赛情况下的表现。

Jun, 2019

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

介绍了可解释的广义加性模型，旨在帮助科学家和从业者之间的理解和沟通；与这个主题相关的是足球玩家表现，对于这个主题，目前主要的挑战是直接量化足球玩家的表现；而阐释生产出的指标的可理解性通常比模型的准确性更重要。

May, 2021

本文通过采用深度学习技术，利用相关比赛数据定义了一种新的度量方式——Defensive Action Expected Threat (DAxT)模型, 该模型能够通过研究防守动作前的比赛进攻路径危险度，从而对防守动作进行评估，提高防守球员的价值。我们通过在实际英超联赛中的数据验证，以及与其他特征的结合，得出了防守球员的综合评分。总之，本研究在防守行动的价值评估方面提供了新的方法和技术。

Jun, 2021

使用机器学习和博弈论方法，提出了一种分析射门情况的新框架，并引入了期望收益和xSOT指标来评估选手的行动表现，从而实现了不同射门的区分和比较。通过与基准模型和消融模型的比较，验证了该框架的可行性，并观察到xSOT指标与现有指标之间的高度相关性。最后，通过在2022年世界杯和2020年欧洲杯中的射门情况进行研究，阐明了最优策略的应用。

Jul, 2023

该研究介绍了期望目标模型的全局解释（介于局部和全局之间），通过提出使用SHAP值和部分依赖配置文件的聚合版本，实现在团队和球员水平上进行性能分析，以从期望目标模型中提取球员或团队的知识而不仅仅是单个射门。此外，我们进行了真实数据应用来说明聚合的SHAP值和聚合性能配置文件的有用性。该论文最终对这些解释在足球分析中的性能分析潜力进行了讨论。

Aug, 2023

提供了一种基于追踪数据、事件数据和比赛录像的足球比赛场景中球队所承受压力的捕捉方法，利用球员压力图作为有效工具可视化和评估球队及个人的压力，同时为教练员和分析师提供数据驱动的战术决策。

Jan, 2024

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

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