CN112766546B - 一种基于机器学习的足球比赛胜负实时预测方法 - Google Patents

Abstract

本发明提出了一种基于机器学习的足球比赛胜负实时预测方法，首先根据足球比赛记录的统计历史数据与实时事件数据，分别对其建立评分模型得到历史特征与实时特征。采用堆叠的方式将历史特征与实时特征进行融合与筛选，再利用平均进球数、平均射门数和积分榜排名等进行扩展完成特征生成。通过建立图卷积深度神经网络模型，对足球比赛结果进行实时预测。相比只用历史数据进行比赛预测的算法准确率有所提高。

Description

一种基于机器学习的足球比赛胜负实时预测方法

技术领域

本发明涉及足球比赛胜负预测领域，特别是涉及一种基于机器学习的的足球比赛实时胜负预测方法

背景技术

足球作为世界最受欢迎的体育运动，能带来明显的经济效益和社会效益。中国足球成绩虽然不是非常理想，但其市场在国内仍然占据主导地位。因此足球产业的进步对整个国内体育市场的扩大有着积极的促进作用。足球比赛的数据分析可以定量的表示球场信息以及球员状态，为战术安排制定以及比赛胜负走势预测提供可靠的帮助。

在足球比赛胜负预测方面，目前绝大多数方法都是针对赛前预测，这类方法主要根据球队的综合实力进行预测。足球比赛瞬息万变，只根据球队历史信息进行预测存在一定的局限性。一场足球比赛的胜负，还会与比赛过程中球员的竞技状态、比赛过程中发生的事件信息有关。随着机器学习的发展，机器学习的算法思想在具体的工程问题上已应用很多有效的方法，这也为足球比赛的实时胜负预测提供了解决方法。

发明内容

为了解决上述技术问题，提供一种基于机器学习的足球比赛胜负实时预测方法，解决了当前足球比赛的胜负预测只能根据历史信息，无法利用比赛当场信息而导致实时性不高的问题。

为实现上述目的，本发明提出了一种基于机器学习的足球比赛胜负实时预测方法，包括如下步骤：

S1：根据足球比赛不同类型的特征数据，将每场足球比赛的特征数据划分为球队及球场信息、事件流信息、轨迹信息三部分；

S2：对所有足球比赛历史数据进行特征提取和筛选，并确定历史球员的评分标签，将筛选后的足球比赛历史数据与所述历史球员的评分标签进行整合，构建历史数据集；

S3：将所述历史数据集划分为训练集和测试集，并确定评价指标和评价模型,得到球员的历史评分；

S4：对所有足球比赛实时数据进行特征提取和筛选，并设置所述事件流信息的标签，将筛选后的足球比赛实时数据与所述事件流信息标签进行整合，构建实时数据集；

S5：将所述实时数据集划分为训练集和测试集，并确定评价指标、评价模型和评分算法,得到球员的实时评分；

S6：将所述球员的历史评分和所述球员的实时评分进行特征融合并扩展，生成新的特征数据集；

S7：将所述新的特征数据集划分为训练集和测试集，并确定评价指标和预测算法，训练出预测模型得到预测结果。

优选地，所述S2具体为：

S21：对所有足球比赛历史数据进行所述球队及球场信息和所述轨迹信息的特征提取，并对特征提取后的足球比赛历史数据进行筛选；

S22：球员的历史评分标签来自于Whoscore网站，并且通过比赛日期、球队和球衣号码与筛选后的历史特征数据进行整合，构建历史数据集。

优选地，所述主客队信息包括主客队球员名称、司职位置、球场尺寸；

所述比赛事件信息包含足球比赛过程中发生的事件，记录了事件相关球员、事件名称、事件发生坐标；

所述坐标信息用于记录每一个事件流所有球员以及足球的位置坐标。

优选地，所述S3具体为：

将所述历史数据集按照3:1的比例划分训练集和测试集；所述评价指标为均方根误差；所述评分模型分为前锋球员、中锋球员、后卫球员以及门将球员4个模型；并采用岭回归算法进行历史球员评分。

优选地，所述S4具体为：

S41：对所有足球比赛实时数据进行所述事件流信息的特征提取，并对特征提取后的足球比赛实时数据进行筛选；

S42：球员的实时评分标签根据进球标签和失球标签分别标注，并且通过当前时刻的事件信息和前3个时刻的事件信息以丰富时间维度的信息与筛选后的实时特征数据进行整合，并将当前时刻两支球队的进球数、进球差也融入进去，得到实时数据集。

优选地，所述S5具体为：

将所述实时数据集按照8:1的比例划分为训练集和测试集，选用TTEE和EPA作为评价指标，并利用VAEP算法进行实时球员评分。

优选地，所述S6具体为：

将所述球员的历史评分和所述球员的实时评分通过短时傅里叶变换STFT中的滑窗思想进行特征融合，并引入场均进球数、球队积分榜、球队实力特征进行扩展，生成新的特征数据集。

优选地，所述S7具体为：

将所述特征数据集按照8:1的比例划分为训练集和测试集，所述评价指标选用精确度和召回率；所述预测算法选用图卷积网络和深度卷积网络的组合结构，训练出预测模型。

与现有技术相比，本发明具有以下技术效果：

本发明能够根据历史比赛数据和司职位置来获得各球员的历史评分、根据实时比赛数据获得各球员的比赛实时评分。本发明经过特征融合和扩展整理出实时胜负预测的数据集，并通过图卷积网络模型和深度神经网络的组合模型，完成足球比赛实时胜负预测，解决了当前足球比赛的胜负预测只能根据历史信息，无法利用比赛当场信息而导致实时性不高的问题，为比赛胜负走势预测提供可靠的帮助。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的方法流程图；

图2为本发明的历史数据处理部分流程图；

图3为本发明的实时数据处理部分流程图；

图4为本发明的网络结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1

下面结合附图和足球联赛比赛实时胜负预测案例对本发明作进一步说明。

某大型足球联赛时长为8年的真实比赛数据，包含每个赛季所有轮次的比赛。每场比赛数据主要分为三部分，球队及球场信息、事件流信息和轨迹信息。第一部分球队及球场信息包含赛季名称、比赛时间、球场尺寸以及比赛球队的信息。比赛球队信息包括双方球队的名称，主客场信息以及球员相关信息。足球比赛由比赛事件流构成，第二部分事件流信息包含事件发生时间、与事件相关球员、事件名称、事件位置坐标、主队得分、客队得分等丰富信息。记录时间精确到毫秒级。第三部分为轨迹信息，包含场上球员和足球的位置坐标信息。记录间隔时间为100ms。除此之外还用到Whoscore网站的球员评分。

针对上述足球比赛相关数据，参照图1所示，一种基于机器学习的足球比赛胜负实时预测方法流程图，进行实施。首先对历史数据进行筛选和整合，通过比赛日期，球员ID和球队名称与Whoscore网站评分进行匹配完成历史数据集的构建。各个位置球员分别通过岭回归算法得到各个位置球员的评分。其次对比赛事件信息进行筛选和整合，同时将两支各自的进球数以及进球差作为特征，分别设置进球标签和失球标签，通过GMM(高斯混合模型)得分的概率，再通过VAEP算法实时球员的评分。引入场均进球数、球队积分榜、球队实力等特征来衡量球队进攻能力与防守能力，与球员历史评分和球员实时评分通过STFT(短时傅里叶变换)进行特征融合，完成特征生成。保留事件流相关球员ID的特征。这样每一个事件整理出60维特征，划分前七年的数据作为训练集，第8年的数据作为测试集。将训练数据输入深度神经网络模型训练，通过调整参数得到最优模型。评估指标选择精确度和召回率。通过调整预测范围参数来调整需要预测的时间长度。将测试数据集输入最优模型进行预测，并对测试结果进行分析，完成对足球比赛的实时胜负预测。

其中历史球员评分获取流程参照图2所示。对比赛数据的三部分内容进行筛选和整合。对于球队和球场信息，通过比赛日期，球员ID和球队名称与Whoscore网站评分进行匹配完成历史数据集的构建。对于事件流信息，记录球员传球、射门、定位球以及解围等重要事件信息，移除暂停、出界等与衡量球员能力相关性较小的事件。对于轨迹信息，通过计算坐标之间的距离，可以计算球员速度以及加速度，从而获取整场比赛每个球员的跑动次数，跑动距离以及高强跑次数。特征与标签整合之后，将与球员个人信息密切的信息移除，比如球员昵称、球员所属球队名称。将数据集按照前锋、中锋、后卫与门将等4个球员位置划分数据集，按照3:1的比例划分训练集和测试集。选取均方根误差作为评价指标，将训练集输入到岭回归算法模型，通过调参得到最优模型。将测试集输入到最优模型，得到所有球员的历史评分。

其中，实时球员评分获取流程参照图3所示。球员实时评分获取主要的依据是比赛数据里的事件流信息。并将事件发生位置与对方球门距离，双方进球数以及进球差等作为特征加入到特征列表里，每一个事件发生时刻共计22维数据。为了考虑时间维度信息，对于每一个事件时刻特征还应包含之前三个时刻的事件特征以丰富特征维度。球员实时评分数据集的标签将进球与失球分别标注。预测事件窗内(设置为10)发生进球或者失球将事件差作为标签，事件窗内未发生指定事件则设置为20。划分前七年的数据作为训练集，第8年的数据作为测试集。数据集通过GMM模型分别计算出进球概率以及失球概率。根据VAEP(行为价值评估)计算出该事件使得对应球员增加的分数，即得到球员的实时评分。

由于选择的是图卷积网络模型，参照图4所示。把每一个事件看成一个节点，节点通过球员ID在设定范围(50)内特征进行组合。邻接矩阵的设置规则是50个事件内同一球队的队员之间的值为1，否则为0。设定范围内的事件特征根据邻接矩阵特征组合，得出新的特征，对同队球员之间的关系建立联系。后接三层神经网络，整个网络的损失函数为交叉熵损失函数。将训练集数据输入到该网络中，调整神经网络每层单元数以及dropout等参数，得到最优模型。将测试数据输入至最优模型，得到足球比赛实时胜负预测的结果。

本发明能够根据历史比赛数据和司职位置来获得各球员的历史评分、根据实时比赛数据获得各球员的比赛实时评分。本发明经过特征融合和扩展整理出实时胜负预测的数据集，并通过图卷积网络模型和深度神经网络的组合模型，完成足球比赛实时胜负预测，解决了当前足球比赛的胜负预测只能根据历史信息，无法利用比赛当场信息而导致实时性不高的问题，为比赛胜负走势预测提供可靠的帮助。

以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (4)

1.一种基于机器学习的足球比赛胜负实时预测方法，其特征在于，包括如下步骤：

S1：根据足球比赛不同类型的特征数据，将每场足球比赛的特征数据划分为球队及球场信息、事件流信息、轨迹信息三部分；

S2：对所有足球比赛历史数据进行特征提取和筛选，并确定历史球员的评分标签，将筛选后的足球比赛历史数据与所述历史球员的评分标签进行整合，构建历史数据集；

所述S2具体为：

S21：对所有足球比赛历史数据进行所述球队及球场信息和所述轨迹信息的特征提取，并对特征提取后的足球比赛历史数据进行筛选；

S22：球员的历史评分标签来自于Whoscore网站，并且通过比赛日期、球队和球衣号码与筛选后的历史特征数据进行整合，构建历史数据集；

S3：将所述历史数据集划分为训练集和测试集，并确定评价指标和评价模型,得到球员的历史评分；

S4：对所有足球比赛实时数据进行特征提取和筛选，并设置所述事件流信息的标签，将筛选后的足球比赛实时数据与所述事件流信息标签进行整合，构建实时数据集；

S5：将所述实时数据集划分为训练集和测试集，并确定评价指标、评价模型和评分算法,得到球员的实时评分；

所述S5具体为：

将所述实时数据集按照8:1的比例划分为训练集和测试集，选用TTEE和EPA作为评价指标，并利用VAEP算法进行实时球员评分；

S6：将所述球员的历史评分和所述球员的实时评分进行特征融合并扩展，生成新的特征数据集；

所述S6具体为：

将所述球员的历史评分和所述球员的实时评分通过短时傅里叶变换STFT中的滑窗思想进行特征融合，并引入场均进球数、球队积分榜、球队实力特征进行扩展，生成新的特征数据集；

S7：将所述新的特征数据集划分为训练集和测试集，并确定评价指标和预测算法，训练出预测模型得到预测结果；

所述S7具体为：

将所述特征数据集按照8:1的比例划分为训练集和测试集，所述评价指标选用精确度和召回率；所述预测算法选用图卷积网络和深度卷积网络的组合结构，训练出预测模型。

2.根据权利要求1所述的一种基于机器学习的足球比赛胜负实时预测方法，其特征在于，

主客队信息包括主客队球员名称、司职位置、球场尺寸；

比赛事件信息包含足球比赛过程中发生的事件，记录了事件相关球员、事件名称、事件发生坐标；

坐标信息用于记录每一个事件流所有球员以及足球的位置坐标。

3.根据权利要求1所述的一种基于机器学习的足球比赛胜负实时预测方法，其特征在于，所述S3具体为：

将所述历史数据集按照3:1的比例划分训练集和测试集；所述评价指标为均方根误差；评分模型分为前锋球员、中锋球员、后卫球员以及门将球员4个模型；并采用岭回归算法进行历史球员评分。

4.根据权利要求1所述的一种基于机器学习的足球比赛胜负实时预测方法，其特征在于，所述S4具体为：

S41：对所有足球比赛实时数据进行所述事件流信息的特征提取，并对特征提取后的足球比赛实时数据进行筛选；

S42：球员的实时评分标签根据进球标签和失球标签分别标注，并且通过当前时刻的事件信息和前3个时刻的事件信息以丰富时间维度的信息与筛选后的实时特征数据进行整合，并将当前时刻两支球队的进球数、进球差也融入进去，得到实时数据集。

Images