本研究以 GPS 测量和机器学习为基础，提出了一种基于多维度方法的足球受伤预测方法，并以实际案例说明其准确性和可解释性，为评价和解释职业足球中受伤风险和训练表现之间的复杂关系提供了一组简单实用的规则。

May, 2017

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

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

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

本研究提出了可解释的生成模型，应用于四个体育联盟十年的得分数据中，成功在团队运动的两个在线预测问题（谁会得下一分和最终谁会赢）中优于基准模型，进一步分析了每种运动背后的得分动态机制，并对团队技能进行了量化评估。

Apr, 2015

我们提出一种统计增强学习（SEL）模型来预测手球比赛。我们的机器学习模型加上 SEL 特征，在准确率上超过了现有模型。我们展示了如何构建数据集，在过去的女子俱乐部比赛中训练机器学习模型。我们比较了不同的模型，并评估它们的性能能力。最后，解释性方法使我们的工具不仅是一个预测解决方案，而是一个高度洞察力的分析工具。这对手球队的教练提供了有价值的统计和预测见解，以准备未来的比赛。

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

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

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