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

本文介绍了一种利用卷积神经网络（CNN）预测英超球员表现的创新模型。我们评估了 Ridge 回归、LightGBM 和 CNN 在根据历史 FPL 数据预测未来球员 FPL 得分的任务上的性能。我们的基准模型 Ridge 回归和 LightGBM 表现出色，并强调了预测英超球员表现中最近的 FPL 得分、影响力、创造力、威胁和上场时间的重要性。我们的最佳 CNN 架构在输入特征更少的情况下实现了更好的性能，甚至超过了文献中最佳的英超球员表现预测模型。最佳的 CNN 架构还与球员排名有很强的斯皮尔曼相关性，表明其对支持 FPL 人工智能代理的开发和为 FPL 经理提供分析的重要意义。此外，我们还对从《卫报》收集的足球新闻数据进行了迁移学习实验，用于相同的任务，即预测未来球员得分，但在自然语言新闻文本中并没有找到强预测信号，与 CNN 和基准模型相比的性能表现较差。总的来说，我们基于 CNN 的方法在预测英超球员表现方面取得了显著进展，并为迁移学习到其他英超预测任务（如体育博彩的胜负赔率和领先的 FPL 人工智能代理的开发）奠定了基础。

May, 2024

研究关注于解决深度学习在运动分析中精度和透明度的权衡问题，并且构建一种基于模型树的简单透明模型，以实现高保真输出、自我解释和为运动员和教练等专家利益相关者提供见解的目标。

Jun, 2020

提出了一种基于神经网络的算法来利用加密货币衍生资产，以构建一个包含负相关资产对的投资组合，并通过训练深度神经网络来最大化夏普比率，以实现接近一个最小方差策略的资产配置策略，经过 19 个月的实验证明，该算法可在不同市场情况中获利。

Oct, 2023

本文探讨了一种两阶段的可解释的人工智能方法，用于预测巴西排球联赛中比赛的结果。该方法使用支持向量机和深度神经网络来获得预测性能，并使用 ProtoDash 和 SHAP 构建数据实例的后处理解释说明模型的预测。结果表明，模型预测的解释有效。

Jun, 2022

该论文介绍了一种预测足球比赛中下一个事件的方法，该方法受到大型语言模型的启发，通过深度学习在公开可用的 WyScout 数据集上提供了新颖的技术，显著改进了以前的大事件模型在关键领域（如下一个事件类型的预测准确性）的性能，同时提供了用于多方面分析的模拟背景，奠定了多元分析管道的基础框架。

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

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

本文提出了一种基于赌博翻倍率的损失函数，通过将原本的多分类问题转化成带有拒绝选项的问题，实现了在最佳数据覆盖率下的最佳性能。该损失函数不需要对模型推理算法或架构进行修改，可以有效地处理神经网络训练中的不确定性，同时在 SVHN 和 CIFAR10 数据集上实现了较强的结果。

Jun, 2019