NMSTPP预测模型：足球赛事分析新利器

NMSTPP预测模型：足球赛事分析新利器

引用

CSDN

等

6

来源

1.

https://blog.csdn.net/2401_89356683/article/details/144191800

2.

https://pcc-chinese.web.unc.edu/2024/10/07/%E5%AD%A6%E6%9C%AF%E5%88%86%E4%BA%AB%E4%BC%9A%EF%BC%9A%E6%8A%80%E6%9C%AF%E6%9C%8D%E5%8A%A1%E5%88%B0%E7%A7%91%E7%A0%94%E8%BD%AC%E5%8C%96-%E9%9D%A2%E5%90%91%E5%AE%9E%E8%B7%B5%E7%9A%84%E9%81%BF%E9%9A%BE/

3.

https://arxiv.org/abs/2302.09276

4.

https://juejin.cn/post/7443651502382661670

5.

https://perkinswill.com/news/the-intersection-of-academic-learning-research-ideation-industry-incubation/?lang=zh-hans

6.

https://www.microsoft.com/en-us/research/articles/new-arrival-in-research-18/

在足球数据分析领域，一项革命性的新技术正在改变比赛的解读方式。这项名为NMSTPP（Transformer-Based Neural Marked Spatio Temporal Point Process）的预测模型，通过先进的机器学习算法，为教练、球员和球迷提供了前所未有的比赛洞察力。研究显示，该模型在预测比赛事件方面的准确率高达80%，远超传统方法。

NMSTPP模型的核心创新在于其独特的架构设计。它将足球比赛中的控球动作事件与标记时空点过程（MSTPP）相结合，其中标记m对应动作类型（如射门、传球等），空间z对应足球场区域，时间t对应事件间时间。通过分解多元密度函数，将MSTPP的联合概率密度函数表示为时间、空间和动作类型的条件概率密度函数的乘积。

模型采用TransformerEncoder对历史事件信息进行编码，这种结合点过程和机器学习方法的模型被称为NMSTPP模型。具体来说，模型输入包括事件间时间、区域、动作及其他连续特征，如区域编号（1至20）、动作类型（传球、控球结束等）以及描述区域变化的工程特征。这些输入形成一个矩阵，经过密集层和嵌入层处理后，通过Transformer模型的位置编码和编码器获取固定大小的历史向量。最后，使用神经网络估计条件概率密度函数，预测下一个事件的时间、区域和动作。

为了更全面地分析控球情况，研究团队还提出了整体控球利用率得分（HPUS）。这一指标通过计算整体动作得分（HAS），评估每个动作的有效性，并考虑事件间时间的效率。HPUS是控球中n个动作的HAS加权和，权重从最后一个动作开始按指数衰减函数计算，使HPUS更关注控球周期的最终结果。

该模型基于2017-2018赛季的五大联赛数据进行训练和验证，数据来自WyScout开放获取数据集，包括动作类型、位置坐标等详细信息。为了提高数据的可解释性，研究团队将位置坐标分组为20个区域，并将详细动作类型分组为5类。实验结果显示，NMSTPP模型在预测验证集比赛事件方面表现最佳，总损失、区域CEL损失和动作CEL损失均优于基线模型。

与传统模型相比，NMSTPP模型展现出了显著的优势。它能够同时处理时间、空间和动作类型数据，而传统模型往往只能处理其中一部分。此外，NMSTPP模型的预测准确率高达80%，远超过传统方法。在效率方面，虽然NMSTPP模型的训练速度略慢于一些基线模型，但其可训练参数更多，总损失更低，是最有效且相对高效的模型。

NMSTPP模型的出现不仅改变了足球比赛的分析方式，还为其他体育项目的事件序列分析提供了新的思路。未来，随着更多数据的积累和模型的优化，NMSTPP模型有望在更多体育项目中发挥作用。同时，基于NMSTPP模型还可以开发更多性能指标，为教练和球员提供更全面的比赛分析工具。

这一创新技术的出现，标志着足球数据分析进入了一个新的阶段。通过更精准的事件预测和更全面的性能评估，NMSTPP模型正在帮助教练和球员更好地理解比赛，为提升球队表现提供了有力支持。对于广大球迷来说，这一技术也为我们提供了更深入的比赛洞察，让我们能够以全新的视角欣赏每一场比赛。