本文提出了多种模型，使用赛前个人数据和实时数据对多人电子竞技游戏 Dota 2 中比赛获胜队伍进行预测，其中包括逻辑回归，属性序列模型，以及它们的组合，实验表明，添加赛前和实时的特征信息可以将精度从 58.69% 提高至 71.49% 和 93.73%。

Dec, 2016

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

本文提出了使用机器学习算法（SVM、随机森林分类器 (RFC)、逻辑回归和 K - 近邻）预测印度板球联赛 (IPL) 结果的模型。实验结果表明，随机森林算法的准确度最高，达到了 88.10%。

Sep, 2021

我们的研究旨在通过引入实时方法预测获胜来增强电子竞技比赛的观众参与度。我们的基于长短期记忆网络（LSTM）的方法通过仅使用每个玩家的健康指标作为时间序列，实现了高效的胜负结果预测。我们以经典的两人对战街头霸王 II Turbo 为例，评估了我们模型在此游戏中的表现，并与流行的时间序列预测方法进行了对比。最后，我们公开了数据集和代码，以期促进对街机游戏的预测性分析进一步的研究。

Feb, 2024

研究了网球比赛中势头和比赛波动的动力学，通过评估选手表现、量化势头效应、测量比赛波动以及进行元学习，有效地预测比赛结果和提供运动分析和选手训练策略的启示。

May, 2024

本文分析了网球比赛的势头，并且基于技术统计数据构建了一个系统来预测体育比赛结果和分析选手的表现。使用隐马尔可夫模型预测势头，使用 Xgboost 验证其重要性，最后使用 LightGBM 评估模型性能，并利用 SHAP 特征重要性排名和权重分析找出影响选手表现的关键因素。

Apr, 2024

机器学习模型在足球比赛预测方面的性能评估和梯度提升树模型的最佳特征集的确定的研究。

Sep, 2023

该研究提出了一种基于 MOBA 电子竞技的实时战绩数据集和 Two-Stage Spatial-Temporal Network (TSSTN) 网络，旨在实现精确的比赛结果预测和预测结果的可解释性。实验结果表明，该网络在预测准确性和可解释性方面都很有效。

Aug, 2020

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