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

该论文提出了一种基于 Set Transformer 和层次结构的推理框架，用于通过球员轨迹推断足球的轨迹，实现了自然且准确的轨迹预测，并提出了几种实用的应用包括缺失轨迹计算与自动放映。

Jun, 2023

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

本文研究了如何基于足球比赛的时空数据使用计算几何的方法构造预测变量并从带标签的样本中学习分类函数，进而生产一个自动化系统来评估球员之间的传球质量。实验结果表明，我们可以使用计算几何的方式获得相对较高的分类准确率，并且这些变量对于学习到的分类器是有一定的重要性的。最后，我们还验证了机器分类器与人类观察者之间的分类一致性程度相近。

Jul, 2014

本文介绍了一种基于 Dynamic Time Warping 的方法，通过分析事件的重复序列来揭示球队的战术，并基于整个赛季的分析得出了保持球权的传球策略或反击，以及以团队为重点或以个人球员的能力为重点的传球风格等见解。

Aug, 2015

足球中的运动预测通过捕捉球员和球的相互作用的复杂动力学。我们提出了 FootBots，一种基于编码器 - 解码器变压器结构的体系结构，通过等变性属性来解决运动预测和有条件的运动预测。FootBots 使用集合注意力块和多注意力块解码器来捕捉时间和社交动力学。我们的评估使用两个数据集：一个真实的足球数据集和一个定制的合成数据集。合成数据集的洞见突显了 FootBots 社交注意机制的有效性和有条件运动预测的重要性。对真实足球数据的实证结果表明，FootBots 在运动预测方面优于基准模型，并在有条件任务中表现出色，例如根据球的位置预测球员，根据球和防守（进攻）球队预测进攻（防守）球队，以及根据所有球员预测球的位置。我们的评估连接了定量和定性研究结果。

Jun, 2024

提出了一种完全卷积神经网络架构，可估计来自高频时空数据的足球可能传递的全概率面，能够适应于多种实际足球问题，如风险评估、应用可能的传递选项等。

Oct, 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

TransFusion 是一种基于扩散的 3D 人体动作预测模型，它能够生成更有可能发生的样本并保持一定程度的多样性，通过使用 Transformer 作为骨干，以及在浅层和深层之间使用长跳连接和离散余弦变换来建模运动序列，改善性能，并与使用额外模块的先前基于扩散的模型相比，我们将所有输入（包括条件）都视为令牌，创造出比现有方法更精简的模型。我们对基准数据集进行了广泛的实验研究，以验证我们的人体动作预测模型的有效性。

Jul, 2023

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