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

本研究旨在定义和量化网球比赛中的动力学，提供基于实时分析的基础。通过建立基于数据驱动和经验公式的两个模型，对最近几年网球大满贯男单比赛数据进行分析，并使用支持向量机、随机森林算法和 XGBoost 构建了融合模型。此外，还应用滑动窗口算法、CUMSUM 算法和 RUN Test 对动量进行可视化和波动分析，并通过蒙特卡洛模拟对融合模型的稳健性进行了分析。

Feb, 2024

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

使用机器学习技术对电子游戏《英雄联盟》（LoL）比赛结果进行预测的研究，采用未发布的数据作为预测过程的基础，研究结果有助于提高玩家策略和相关博彩行业的效益。

Sep, 2023

本文介绍了一种用于分析羽毛球比赛表现的深度学习模型，该模型通过一个新颖的短期提取器和长期编码器，以预测比赛结果为目标，将一场羽毛球比赛的每一个击球过程进行描述，并应用了注意力机制，使羽毛球专家能够解释预测结果，实验结果表明该模型胜过强基线结果。

Sep, 2021

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

通过对深度学习在网球行为分类中的应用进行研究，本文探讨了其潜力和挑战。我们使用三种不同规模的基于深度学习架构 SlowFast 的模型对学术网球数据集 THETIS 进行训练和评估。最佳模型的泛化准确率达到了 74%，为网球行为分类的良好性能提供了证明。我们提供了最佳模型的错误分析，并指出了改进网球数据集的方向，讨论了数据集的限制、当前公开网球数据集的一般限制以及未来的进展方向。

Feb, 2024

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

本文探讨了一种两阶段的可解释的人工智能方法，用于预测巴西排球联赛中比赛的结果。该方法使用支持向量机和深度神经网络来获得预测性能，并使用 ProtoDash 和 SHAP 构建数据实例的后处理解释说明模型的预测。结果表明，模型预测的解释有效。

Jun, 2022

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