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

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

本文提出了一种框架，利用运动员运动跟踪数据实时估计篮球进攻结束时实现预期得分数量，并通过分层时空模型估计转换核函数，以分享跨运动员的信息。

Aug, 2014

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

研究了国家篮球协会（NBA）球员在比赛过程中复杂决策问题的解决方法，提出了一种基于 LSTM 架构的方法来预测运动轨迹和其概率，并通过多模式损失函数更新最佳轨迹，实验结果表明该方法胜过现有技术且能够学习到球员的个人风格。

Aug, 2020

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

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

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

本文使用篮球比赛数据，提出连续时间随机游走模型描述了篮球比赛得分的统计规律，并且考虑了篮球比赛的个性化特征，包括比赛中球队实力的差异等因素，并建立了能够解释文件中所提到的各种统计特征的计算模型。

Sep, 2011

本文提出一种基于整数规划的方法，建模球和球员之间的交互，并对球的轨迹施加适当的物理约束条件，以提高低分辨率视频中球的跟踪精度和鲁棒性，在排球、篮球和足球等实际应用场景中表现比现有研究更优秀。

Nov, 2015