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

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

本文提出了一种新颖的足球连续球队选择模型，通过对现实世界足球数据中学习到的球员特定信息建模，以模拟球员受伤和不可用性的随机过程。通过对球员受伤概率进行推理，利用蒙特卡洛树搜索 (Monte-Carlo Tree Search) 来选择在整个足球赛季中优化长期团队表现的比赛队伍。我们将我们的方法与 2018/19 英超联赛季的基准解决方案进行验证。我们的模型在减少一线队伤病方面达到了类似的赛季预期积分，并将在受伤球员上浪费的金钱减少了约 11%，从而证明了在现实世界的足球队中降低成本和改善球员福利的潜力。

Feb, 2024

在这篇文章中，我们提出了一种基于深度学习估计疫情参数的流行病学参数预测工具包，结合遗传算法组件搜索决策制定者设定的约束和目标的最优权衡 / 政策来预测病例和死亡，并且实验结果表明我们的方法比 75% 的传统基于规则的流行病学模型预测出错率更低，在学习转移和未见过的国家测试的情况下实现了 95% 的 R2 得分。

Jun, 2020

本文提出了一个通过计算比赛结果与完美平衡比赛结果之间距离的系数来衡量体育赛事预测的难度，并通过收集和分析 198 个体育联赛中的所有比赛来衡量竞争力与各国和各项运动的竞争力。文章还提出了概率图模型来学习团队技能，并将技能分解为与团队特征相关的因素，并估计大约 36％的概率，预测出在 NBA 联赛中，劣势团队获胜，这部分解释了为什么复杂的特征模型很难战胜简单的模型。

Jun, 2017

本文分析了英国和美国五大体育联赛所有比赛的结果，通过总结季末的积分和比赛结果数据量化了团队间的平等性和比赛的可预测性，引入了一种新型的数学模型，其中，弱队通过确定的反败为胜概率获胜，我们能够将团队间的平等性与比赛的可预测性进行数量化，并借此估计出积分数据中的反败为胜频率。

Aug, 2006

利用机器学习技术进行的实例空间分析为体育赛程安排提供了强大的洞察力，提出了一个算法选择系统，可以根据体育赛程问题实例的特征预测最佳算法，并识别了重要的特征以及改进算法的建议，最后评估了实例的经验难度。

Sep, 2023

本研究针对职业篮球中选手的筛选和評估进行了深入的探讨，提出了一种基于动态网络模型的 Continuous-time 随机块模型，可以实现针对不同的数据维度进行切割，以减少应试者范围。此模型与传统的统计分析方法不同，可以捕捉到选手之间的相互作用，并揭示出不同球队的进攻策略之间的微妙差异，为篮球管理层提供了很好的支持。

Jul, 2015

通过 PLAYBEST 方法，结合基于历史 NBA 运动跟踪数据的生成模型和价值函数，对行动轨迹进行条件采样以及分类器引导采样，生成高效的篮球战术策略，表现优异，超过传统的规划技术，适应性和灵活性更强。

Jun, 2023

本研究旨在探讨四项职业团体运动比赛的计分动态，分析了得分节奏与得分平衡的共同模式，并利用生成游戏模型预测比赛结果以及驱动这些模式的机制。

Oct, 2013