本文介绍PlayeRank，一个基于数据驱动的框架，可提供多维度、角色感知的足球运动员表现评估，通过与其他算法和专业球探的评估比较，表明PlayeRank在表现评估方面显著优于竞争对手，同时探讨了该框架的一些应用，展示了其灵活性和效率，值得用于设计一个可扩展的足球分析平台。

Feb, 2018

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

使用条件对抗网络，基于 NBA 运动数据生成篮球战术的模拟器。

Sep, 2019

本文概述了人工智能、机器学习、足球分析、预测模型和博弈论等领域相互结合在足球领域中的应用，以及这种应用方式如何推进了足球运动本身的发展，还探讨了这种足球分析应用在其他领域的扩展可能性。

Nov, 2020

基于Von Neumann-Morgenstern期望效用理论、深度学习技术和凯利准则的先进公式，本研究采用全新方法优化体育博彩中的投注策略，结合神经网络模型和投资组合优化，取得了在20/21英超联赛后半段相对初始财富增长135.8%的显著利润。研究还探讨了完整和限制策略，评估了其绩效、风险管理和多样化，同时开发了深度神经网络模型来预测比赛结果，解决了有限变量等挑战，为体育博彩和预测建模领域提供了有价值的见解和实际应用。

Jul, 2023

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

在NBA分析革命中，通过机器学习技术使用线性回归模型和神经网络回归模型验证与不同NBA比赛类型相关的统计数据ORTG（进攻评分），最终发现神经网络回归模型略优于线性回归模型。利用这些模型的准确性，进一步优化模型输出，以实现高效的进攻战术组合。

Aug, 2023

该研究提出了一种能够预测传球潜在终点位置及传球前球员移动如何影响最终结果的新型深度学习网络结构，并通过分析超过28,000次传球事件，实现了超过0.7的Top-1准确率。基于预测结果，可以更好地理解场地控制和传球选择，以衡量球员的无球移动对防守表现的贡献，并为足球分析师提供更好的工具和指标，以理解球员随时间的移动如何影响比赛策略和最终胜利。

Sep, 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

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