CN115087997A - 使用个性化深度神经网络动态预测击球类型 - Google Patents
使用个性化深度神经网络动态预测击球类型 Download PDFInfo
- Publication number
- CN115087997A CN115087997A CN202180013950.6A CN202180013950A CN115087997A CN 115087997 A CN115087997 A CN 115087997A CN 202180013950 A CN202180013950 A CN 202180013950A CN 115087997 A CN115087997 A CN 115087997A
- Authority
- CN
- China
- Prior art keywords
- ball
- data
- target
- shot
- personalized
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 claims description 36
- 230000015654 memory Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 8
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 4
- 230000008520 organization Effects 0.000 description 35
- 238000007781 pre-processing Methods 0.000 description 35
- 239000011295 pitch Substances 0.000 description 24
- 238000010586 diagram Methods 0.000 description 20
- 230000007613 environmental effect Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000007123 defense Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000009987 spinning Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
计算系统检索多个体育赛事的逐球数据。计算系统基于逐球数据生成经训练的神经网络,该逐球数据补充有逐球竞赛环境特征和基于每次投球的击球手和投球手的个性化嵌入。计算系统接收在目标赛事中将要被传递的投球的目标击球手和目标投球手。计算系统识别在将要被传递的投球之前的投球窗口的目标逐球数据。计算系统检索目标击球手和目标投球手中的每一个的历史逐球数据。计算系统基于历史逐球数据为目标击球手和目标投球手两者生成个性化嵌入。计算系统基于目标逐球数据和个性化嵌入来预测将要被传递的投球的击球类型。
Description
相关申请的交叉引用
本申请要求2020年2月13日提交的印度临时申请No.202041006299的优先权,通过引用将该申请全部内容并入本文。
技术领域
本公开总体上涉及使用个性化神经网络动态地预测体育运动中的击球类型的系统和方法。
背景技术
虽然板球常常被视为是一种针对特定小群体的以及某种程度上令人费解的体育运动,但是板球比第一眼看到的更容易接近和全球化。自从1884年这项体育运动首次进行国际竞赛以来,板球这一体育运动已经成为世界上最受欢迎和利润丰厚的体育运动之一,拥有100多个成员国和大量的电视观众。例如,超过2.5亿独一无二的观众见证了印度和巴基斯坦之间的2019年世界杯。
发明内容
在一些实施例中,本文公开了一种用于预测击球类型的方法。计算系统检索多个体育赛事的逐球数据。该计算系统通过以下操作生成经训练的神经网络:通过使用逐球竞赛环境特征补充逐球数据来生成基于逐球数据的多个训练数据集,根据逐球数据基于每次投球的击球手和投球手生成个性化嵌入,以及由神经网络学习以基于逐球数据和个性化嵌入预测击球类型。计算系统接收在目标赛事中将要被传递的投球的目标击球手和目标投球手。计算系统识别在将要被传递的投球之前的投球窗口的目标逐球数据。计算系统检索目标击球手和目标投球手中的每一个的历史逐球数据。计算系统基于历史逐球数据为目标击球手和目标投球手两者生成个性化嵌入。该计算系统基于目标逐球数据和个性化嵌入来预测将要被传递的投球的击球类型。
本文公开了一种用于预测击球类型的系统。该系统包括处理器和存储器。存储器上存储有编程指令,当编程指令由处理器执行时,执行一个或更多个操作。该一个或更多个操作包括:检索多个体育赛事的逐球数据。该一个或更多个操作还包括通过以下操作来生成经训练的神经网络:通过使用逐球竞赛环境特征补充逐球数据来生成基于逐球数据的多个训练数据集,根据逐球数据基于每次投球的击球手和投球手生成个性化嵌入,以及由神经网络进行学习,以基于逐球数据和个性化嵌入预测击球类型。该一个或更多个操作进一步包括接收在目标赛事中将要被传递的投球的目标击球手和目标投球手。该一个或更多个操作进一步包括识别在将要被传递的投球之前的投球窗口的目标逐球数据。该一个或更多个操作进一步包括检索目标击球手和目标投球手中的每一个的历史逐球数据。该一个或更多个操作进一步包括基于历史逐球数据为目标击球手和目标投球手两者生成个性化嵌入。该一个或更多个操作进一步包括基于目标逐球数据和个性化嵌入来预测将要被传递的投球的击球类型。
在一些实施例中,本文公开了一种非暂时性计算机可读介质。非暂时性计算机可读介质包括一个或更多个指令序列,一个或更多个指令序列在由一个或更多个处理器执行时使计算系统执行一个或更多个操作。该一个或更多个操作包括检索多个体育赛事的逐球数据。该一个或更多个操作还包括通过以下操作来生成经训练的神经网络:通过使用逐球竞赛环境特征补充逐球数据来生成基于逐球数据的多个训练数据集,根据逐球数据基于每次投球的击球手和投球手生成个性化嵌入,以及由神经网络学习,以基于逐球数据和个性化嵌入预测击球类型。该一个或更多个操作进一步包括接收在目标赛事中将要被传递的投球的目标击球手和目标投球手。该一个或更多个操作进一步包括识别在将要被传递的投球之前的投球窗口的目标逐球数据。该一个或更多个操作进一步包括检索目标击球手和目标投球手中的每一个的历史逐球数据。该一个或更多个操作进一步包括基于历史逐球数据为目标击球手和目标投球手两者生成个性化嵌入。该一个或更多个操作进一步包括基于目标逐球数据和个性化嵌入来预测将要被传递的投球的击球类型。
附图说明
为了可以详细理解本公开的上述特征的方式,可以参考实施例(在附图中展示了这些实施例中的一些实施例)得到以上简要概述的本公开的更具体描述。然而,应注意,附图仅说明本公开的典型实施例,因此不应视为限制其范围,因为本公开可允许其他等效实施例。
图1是示出根据示例实施例的计算环境的框图。
图2A是示出了根据示例实施例的由预处理主体生成的定制目标变量的空间映射图的框图。
图2B是示出了根据示例实施例的由预处理主体生成的定制目标变量的空间映射图的框图。
图3是示出了根据示例实施例的预测引擎的神经网络架构的框图。
图4是示出了根据示例实施例的生成完全训练的预测引擎的方法的流程图。
图5是示出了根据示例实施例的生成击球类型预测的方法的流程图。
图6A-图6F是示出了根据示例实施例的针对若干击球手的预测击球区域的框图。
图7是示出了根据示例实施例的生成击球类型预测的方法的流程图。
图8A-图8D示出了根据示例实施例目标击球手对不同投球手的击球类型预测的绘图。
图9是示出了根据示例实施例的生成击球类型预测的方法的流程图。
图10A是示出了根据示例实施例的计算设备的框图。
图10B是示出了根据示例实施例的计算设备的框图。
为了便于理解,在可能的情况下,已经使用相同的附图标记来指代附图共有的相同元件。预期在一个实施例中公开的元件可有益地用于其他实施例而无需具体叙述。
具体实施方式
在给定球类型和竞赛情形的情况下,预测击球手将尝试哪种击球的能力是板球中最具挑战性和战略上重要的任务之一。每个击球手的目标是在不被迫退场的情况下尽可能多的跑杀得分。击球手可以以不同方式被迫退场,包括被外野手截杀或撞到其三门柱。虽然原理上简单,但是击球手的击球类型和风格极大地受比赛形式的影响。因此,获得合适的击球手/投球手配对防守是最重要的。例如,对于防守队,对抗反方出色击球手的投球手的选择可能是胜负之间的关键差异。因此,具有预定义比赛战术的能力(将允许球队预测在给定比赛环境的情况下如何最好地安排他们的外野手、如何最好地安排他们正在给其投球的击球手以及如何最好地安排由他们差遣的投球手)将给他们带来显著的战略优势。
关于板球,还没有任何关于对击球位置或击球类型进行个性化预测的先前工作。先前的分析集中在用于表现分析的记分卡级别数据上,诸如对抗赛和单日赛中的击球手表现的评级。其他分析已试图模拟比赛得分或预测最佳跑杀得分策略,但是其中没有利用空间数据或击球类型数据来辅助球队策略。
本文所公开的一种或更多种技术提供了一种系统和方法,该系统和方法用于预测在特定比赛场景中的击球类型的概率以及在特定比赛场景中特定击球手将在何处击打特定投球手的概率。例如,本文描述的一种或更多种技术可以利用个性化深度神经网络方法来生成这种动态预测。预测输出将首次向板球队提供动态分析,该动态分析可以在比赛之前和比赛进行期间实施。
尽管以下讨论是针对板球的体育运动,但本领域技术人员认识到,这些操作和技术也可以应用于其他体育运动(例如,棒球、篮球、足球、曲棍球、英式足球等)。
图1是示出根据示例实施例的计算环境100的框图。计算环境100可包括经由网络105通信的追踪系统102、组织计算系统104、以及一个或更多个客户端设备108。
网络105可以是任何合适的类型,网络105包括经由互联网的单独连接(如蜂窝或Wi-Fi网络)。在一些实施例中,网络105可以使用直接连接(诸如无线射频识别(RFID)、近场通信(NFC)、蓝牙TM、低能耗蓝牙TM(BLE)、无线网络(Wi-FiTM)、ZigBeeTM、环境后向散射通信(ABC)协议、USB、WAN或LAN)来连接终端、服务和移动设备。由于所传输的信息可以是私密的或机密的,出于安全考虑可指示这些类型的连接中的一个或更多个被加密或以其他方式被保护。然而,在一些实施例中,所传输的信息可能不太私密,因此,为了方便而不是安全,可选择网络连接。
网络105可以包括用于交换数据或信息的任何类型的计算机网络装置。例如,网络105可以是互联网、专用数据网络、使用公共网络的虚拟专用网络和/或使得计算环境100中的组件能够在环境100的组件之间发送和接收信息的其他合适的连接。
追踪系统102可以被定位在场地106中。例如,场地106可以被配置为举办办包括一个或更多个主体112的体育赛事。追踪系统102可被配置为捕获比赛场地表面上的所有主体(即,运动员)以及一个或更多个其他相关对象(例如,球、裁判员等)的运动。在一些实施例中,追踪系统102可以是使用例如多个固定相机的基于光学的系统。例如,可以使用具有六个静止的、校准的相机的系统,该系统将运动员和球的三维位置投射到球场的二维俯视图上。在另一示例中,静止和非静止相机的混合可被用于捕获比赛场地表面上的所有主体的运动以及一个或更多个相关对象。如所属领域的技术人员所意识到的,使用此追踪系统(例如,追踪系统102)可生成球场的许多不同相机视图(例如,高边线视图、罚球线视图、队员靠拢(huddle)视图、开球(face-off)视图、球门区域(end zone)视图等)。在一些实施例中,追踪系统102可用于给定比赛的广播电视节目。
比赛文件110可以表示与特定竞赛相关联的数据。例如,比赛文件110可以包括诸如所有主体的捕获运动的信息以及一个或更多个其他相关对象。在一些实施例中,比赛文件110还可以包括逐球信息。在一些实施例中,比赛文件110还可以包括比赛赛事信息(投球、击球、失误(turnover)、击打、出局等)和环境信息(球队和击球手的当前得分、剩余的球和三门柱、击球手迎战(face)的球、击球局等)。在一些实施例中,比赛文件110还可以包括在板球竞赛中每次击球的逐球数据。这样的逐球数据可以包括针对每次击球的原始击球数据标签。例如,此类数据标签可包括无击球、前向防守、后向防守、防御(fended)、球被击后停留(leave)、击球手有意用护垫挡球(padded)、板球肩臂(shoulders arm)、慢慢到达位置(worked)、推击(pushed)、运球(steer)、击球手出局(dropped)、抽击(drive)、扫击(sweep)、切击(cut)、重扫(slog-sweep)、横甩(hook)、上切(upper cut)、横压(pull)、轻扫(glance)、反扫(reverse sweep)、轻击(flick)、后期切击(late cut)、重击(slog)、挑击(scoop)和左右两边击打(switch hit)。在一些实施例中,逐球数据可以进一步包括边线和球距(即,球落在球场上的情况)、球通过空中和离开球道的移动(例如,弹跳之后通过空中的侧飞球(swing)或旋转球(spin)方向)、投球手的偏手性、投球手的风格(例如,旋转球与速度)、投球手相对于投球手的半边球场(end)处的三门柱传递球的角度(例如,在三门柱上方或在三门柱周围)、击球手等。
追踪系统102可被配置成经由网络105与组织计算系统104通信。组织计算系统104可以被配置成管理和分析由追踪系统102捕获的广播电视节目。组织计算系统104可以至少包括网络客户端应用服务器114、预处理引擎116、数据存储器118和预测引擎120。
预处理引擎116和预测引擎120中的每一个可以包括一个或更多个软件模块。一个或更多个软件模块可以是存储在介质(例如,组织计算系统104的存储器)上的代码或指令的集合,该代码或指令的集合表示实现一个或更多个算法步骤的一系列机器指令(例如,程序代码)。这样的机器指令可以是组织计算系统104的处理器解释以实现指令的实际计算机代码,或者可替代地,可以是被解释以获得实际计算机代码的指令的更高级别的编码。一个或更多个软件模块还可以包括一个或更多个硬件组件。示例算法的一个或更多个方面可由硬件组件(例如,电路)本身执行,而不是作为指令的结果。
数据存储器118可以被配置成用于存储一个或更多个比赛文件124。每个比赛文件124可以至少包括给定竞赛的比赛详情数据或逐球数据。在一些实施例中,每个比赛文件124可以进一步包括给定竞赛的视频数据(例如,广播数据)。例如,视频数据可表示由追踪系统102捕获的多个视频帧。在另一示例中,视频数据可表示来自相应竞赛的广播视频电视节目的多个视频帧。
预处理引擎116可以被配置成用于处理从数据存储器118和/或追踪系统102检索的数据。例如,预处理引擎116可以被配置为补充从数据存储器118和/或追踪系统102接收的逐球数据。在一些实施例中,预处理引擎116可配置成基于击球的攻击性将标签分配给逐球数据中的每次击球。击球的攻击性可被定义为击球手尝试对给定击球得分的跑杀能力或数量。击球的攻击性可由逐球数据中的原始击球数据标签指示。例如,预处理引擎116可以针对每个击球类型从最不具有攻击性到最具攻击性给击球分配0、1或2的标签。在一些实施例中,标签0可以被分配给无击球、前向防守、后向防守、防御、球被击后停留、击球手有意用护垫挡球和板球肩臂击球数据标签。在一些实施例中,标签1可被分配给慢慢到达位置、推击、运球、和击球手出局击球类型。在一些实施例中,标签2可被分配给抽击、扫击、切击、重扫、横甩、上切、横压、轻扫、反扫、轻击、后期切击、重击、挑击和左右两边击打击球类型。
预处理引擎116可将攻击性标签与击球角度组合以基于将球场分割成一个或更多个区域来创建定制目标变量。例如,预处理引擎116可以将球场分割成遵循标准板球命名的16个区域。这些区域可以包括例如第三守场员位置(third man)、背后外野(fine leg)、内场员(square leg)、背前内野(mid wicket)、右外野手位置(mid on)、左外野手位置(midoff)、额外堵截员(extra cover)、守垒(cover)和防守位置(point)。在一些实施例中,预处理引擎116可限定当球未被任何攻击击打(即,具有攻击性标签0的击球)时的第17区-防守区。这可产生17个目标变量。以上提及的区域可以用于有效地测量意图和击球角度,而不是接球的位置。这可以提供例如关于击球手在何处试图击打球的更清楚的描述,因此是用于外野手位置和投球(即,投球)策略的更准确的引导。
图2A是示出了根据示例实施例的由预处理引擎116生成的定制目标变量的空间映射图200a的框图。图2B是示出了根据示例实施例的由预处理引擎116生成的定制目标变量的空间映射图200b的框图。空间映射图200a可以表示从用右手的击球手的角度来看在其上打板球的球场。空间映射图200b可以表示从用左手的击球手的角度来看在其上打板球的球场。如空间映射图200a、200b中所示,球场可以被分割成标记为1-16的16个区域。虚线区域可对应于与攻击性1标签相关联的区域。被拼凑(hash)的区域可对应于与攻击性2标签相关联的区域。方格区域可以对应于与攻击性1和2标签相关联的区域。例如,与攻击性1和2标签相关联的区域可以对应于球场尽头(top)附近的第三守场员位置和背后外野区域。这是因为投球手的投球方向已经朝向这些区域,所以击球手打出的击球通常旨在使球偏转并且利用其自然速度。结果,如果没有外野手被定位以拦截该击球,则这样的击球通常可以到达该方向上的边界。
参见图1,预处理引擎116可以利用逐球竞赛环境特征来补充逐球信息。例如,确定可能的击球类型的另一关键因素是当前竞赛情形。例如,如果击球手在竞赛中迎战很少的投球,那么安全击球类型通常是优选的选项,直到击球手知道球从球道弹起的速度以及可影响球在空气中运动的大气条件。类似地,在范围(scale)的另一端,在击球手已经通过迎战许多投球而使自己被认可之后,则攻击性击球意图更可能。当然,所有这些决定也可以取决于球队的击球局的时间段、球队留下的三门柱的数量以及当前球场位置限制。因而,逐球竞赛环境特征可包含捕获此类变量的信息。例如,逐球竞赛环境特征可以包括但不限于:球队信息(例如,击球局的状态、投球球队击中的三门柱、击球队的跑杀得分等)和击球手特定信息(例如,他们当前的跑杀得分、迎战投球等)。这些竞赛特征可以将环境添加至投球轨迹信息以提供对可以影响击球手对击球类型选择的因素的更详细的描述。
在一些实施例中,预处理引擎116可以被配置成用于生成个性化嵌入。例如,逐球信息和逐球竞赛环境特征可以为击球手提供作出其击球决定的环境。然而,最终击球类型最终取决于击球手本身及其个人偏好和能力。通常,击球类型可以被分解成多个级别—一些运动员将偏好在球场周围使球慢慢到达位置以在其整个击球局中稳定地累积分(run)(1、2分击球),而其他运动员将寻找大的击球(4分、6分击球)以更快地得分。此外,不同的击球手可能更偏好瞄准球场的某些区域。例如,一些击球手更擅长直击,而其他击球手则更喜欢以90度角击打。出于这个原因,预处理引擎116可以被配置成用于基于击球手和投球手两者生成个性化嵌入。个性化的击球手特征可以包括例如不同投球轨迹的能力和攻击性的测量,以及关于击球手喜欢的击打方向的一般信息。个性化的投球手特征可以包括例如针对不同投球轨迹所得分的平均数量、点球(0分)的比例和击球超过边界线得分(4分、6分)。
为了生成个性化嵌入,预处理引擎116可以识别每个运动员已经迎战的先前投球。例如,为了确保个性化嵌入是动态的并且考虑到运动员能力和偏好随时间的变化,预处理引擎116可以在数据存储器118中识别每个击球手已经迎战的先前的500次投球。这可允许组织计算系统104基于可能的最相关和最新信息来生成预测。在一些实施例中,运动员可能迎战不到500次的投球。在这样的实施例中,预处理引擎116可以基于运动员已经参与的多少次投球而使用运动员的值与该特征的全局平均值之间的线性加权平均值。例如,在给定竞赛之前仅具有100次投球的运动员将看到他们的私人历史数据对他们的特征的贡献大约为20%,而全局平均值贡献大约为80%。
在一些实施例中,击球手嵌入可以包括从击球手的视角的不同计算,如但不限于表示被引导到面向区(off-side)(例如,防守位置、守垒、额外堵截员)、腿侧(例如,内场员、背前内野)、直道部分(例如,右外野手位置、左外野手位置)、大区域(behind square)(例如,第三守场员位置、背后外野)和防守区域的击球的历史比例的一个或更多个特征,表示击球手的历史平均攻击性值的特征,表示击球手历史得分率的特征,表示击球手对不同球距投球得分为零的击球的历史比例的特征、表示击球手对不同球距投球击打边界的击球的历史比例的特征,表示不同路线投球得分为零的击球的历史比例的特征,以及表示不同路线投球击打边界的击球的历史比例的特征。
在一些实施例中,投球手嵌入可以包括从投球手的视角的不同计算,如但不限于表示被引导到面向区(off-side)(例如,防守位置、守垒、额外堵截员)、腿侧(例如,内场员、背前内野)、直道部分(例如,右外野手位置、左外野手位置)、大区域(behind square)(例如,第三守场员位置、背后外野)和防守区域的击球的历史比例的一个或更多个特征,表示击球手在面对投球手时的历史平均攻击性值的特征,表示投球手让对手得分的投球的历史得分率(例如,命中率)的特征,表示对于不同球距投球投球手让对手得分的投球的历史得分率的特征,表示投球手对不同球距投球零失球的历史比例的特征,表示投球手对不同球距投球让出对手边界的击球的历史比例的特征,表示对不同路线投球投球手让对手得分的投球的历史得分率的特征,表示不同路线投球投球手零失球的击球的历史比例的特征,以及表示不同路线投球投球手让出对手边界的击球的历史比例的特征。
预测引擎120可以被配置成用于至少基于逐球数据来预测击球类型。例如,给定补充有逐球竞赛环境特征的逐球投球信息以及个性化嵌入,预测引擎120可以被配置成用于预测从投球手传递至击球手的投球(pitch)的击球类型。下面结合图3进一步详细讨论预测引擎120。
客户端设备108可以经由网络105与组织计算系统104通信。客户端设备108可由用户操作。例如,客户端设备108可以是移动设备、平板电脑、台式计算机、或具有本文中描述的能力的任何计算系统。用户可以包括但不限于诸如例如与组织计算系统104相关联的实体的订阅者、客户、预期客户或顾客的个人,诸如已经从与组织计算系统104相关联的实体获得产品、服务或咨询的个人,将从与组织计算系统104相关联的实体获得产品、服务或咨询的个人或可以从与组织计算系统104相关联的实体获得产品、服务或咨询的个人。
客户端设备108可以至少包括应用132。应用132可以表示独立应用或允许访问网站的网络浏览器。客户端设备108可访问应用132以访问组织计算系统104的一个或更多个功能。客户端设备108可通过网络105通信以例如从组织计算系统104的网络客户端应用服务器114请求网页。例如,客户端设备108可被配置为执行应用132以访问由网络客户端应用服务器114管理的内容。显示给客户端设备108的内容可以从网络客户端应用服务器114发送到客户端设备108,并且随后由应用132处理以便通过客户端设备108的图形用户界面(GUI)显示。
图3是示出了根据示例实施例的预测引擎120的神经网络架构300的框图。神经网络架构300可包括多层长短期记忆(LSTM)递归神经网络(下文称为LSTM 302)和多层前馈神经网络304(下文称为“神经网络304”)。如图所示,LSTM 302包括层306和层308。在一些实施例中,层306、308中的每一层可以包括35个节点。在操作中,LSTM 302可被配置为接收作为输入的补充有逐球竞赛环境特征(由“314”表示)的逐球投球信息。因此,可使用逐球投球信息和逐球竞赛环境特征来训练LSTM 302。在一些实施例中,层306可被配置为输出与输入层相同大小的隐藏状态表示。然后,随机失活层(dropout layer)可以随机清除该数据的比例(例如,p=0.35)。在一些实施例中,层308可以被配置为输出包含关于整个序列(例如,6个球)的信息的每个特征的单个向量。
LSTM 302可被配置为学习击球类型与不同逐球投球信息和逐球竞赛环境特征之间的不同关系,以确定投球信息和竞赛环境特征如何影响击球类型。作为输出316,LSTM302可生成补充有逐球竞赛环境特征的逐球投球信息的扁平化版本(flattened version)。
神经网络304可以包括两个全连接层310、312。在一些实施例中,层310可包括具有ReLu激活的128个节点。在一些实施例中,层312可以包括具有ReLu激活的64个节点。在操作中,LSTM 302可被配置为接收来自与由预处理引擎116生成的个性化嵌入318级联的LSTM302的扁平化输出(统称为级联数据320)作为输入。给定来自LSTM 302的输出316和个性化嵌入,神经网络304可生成识别击球被预测落入哪个区域的输出322。
在一些实施例中,LSTM 302和神经网络304可被同时训练。在一些实施例中,使用反向传播来选择用于LSTM 302和神经网络304的参数以学习:(1)用于LSTM 302的最佳权重;和(2)组合逐球数据(例如,穿过LSTM 302)和个性化嵌入数据(例如,不穿过LSTM 302)的最佳方式。
图4是示出了根据示例实施例的生成完全训练的预测引擎120的方法400的流程图。方法400可以在步骤402开始。
在步骤402,组织计算系统104可以检索一个或更多个数据集以供训练。每一数据集可包括在竞赛过程期间由追踪系统102捕获的逐球数据。在一些实施例中,逐球数据可以包括补充有逐球竞赛环境特征的逐球投球信息。
在步骤404,组织计算系统104可以针对每个数据集基于每次投球的击球手和投球手两者生成个性化嵌入。个性化的击球手特征可以包括例如不同投球轨迹的能力和攻击性的测量,以及关于击球手喜欢的击打方向的一般信息。个性化投球手特征可以包括例如针对不同投球轨迹所得分的平均数量、点球(0分)的比例和击球超过边界线得分(4、6分)。
为了生成个性化嵌入,预处理引擎116可以识别每个运动员已经迎战的先前投球。例如,为了确保个性化嵌入是动态的并且考虑到运动员能力和偏好随时间的变化,预处理引擎116可以在数据存储器118中识别每个击球手已经迎战的先前的500次投球。这可允许预测引擎120基于可能的最相关和最新信息来生成预测。在一些实施例中,运动员可能迎战不到500次的投球。在这样的实施例中,预处理引擎116可以基于运动员已经参与多少次投球而使用运动员的值与该特征的全局平均值之间的线性加权平均值。例如,在给定竞赛之前仅具有100次投球的运动员将看到他们的私人历史数据对他们的特征的贡献大约为20%,而全局平均值贡献大约为80%。
在步骤406,组织计算系统104可以基于一个或更多个数据集和一个或更多个个性化嵌入集合来学习如何预测击球类型。例如,预测引擎120可以基于一个或更多个数据集和一个或更多个个性化嵌入学习在至少给定投球手信息和击球手信息的情况下如何预测击球结果。在一些实施例中,组织计算系统104可使用逐球数据(可包括补充有逐球竞赛环境特征的逐球投球信息)以训练LSTM 306。
在步骤408,组织计算系统104可以输出完全训练的预测模型。例如,在训练和测试过程结束时,预测引擎120可以具有完全训练的神经网络架构300。
一旦神经网络架构300被训练,神经网络架构300就可以用于例如模拟个性化的击球手预测、提供竞赛前策略计划以优化击球手-投球手配对和球场位置、以及生成针对正在进行的竞赛环境定制的赛中策略。
图5是示出了根据示例实施例的生成击球类型预测的方法500的流程图。出于讨论的目的,方法500针对在竞赛期间模拟从给定投球手到不同的目标击球手的投球集合。方法500可以在步骤502开始。
在步骤502,组织计算系统104可以从给定赛事接收(或检索)给定投球手的逐球数据。在一些实施例中,逐球数据可以包括补充有逐球竞赛环境特征的逐球投球信息。例如,逐球数据可以包括在先前进行的竞赛过程中来自给定投球手的投球的集合。
在步骤504,组织计算系统104可以针对目标击球手和所识别的投球手两者生成个性化嵌入。个性化的击球手特征可以包括例如对不同投球轨迹的能力和攻击性的测量,以及关于击球手喜欢的击打方向的一般信息。个性化投球手特征可以包括例如针对不同投球轨迹所得分的平均数量、点球(0分)的比例和击球超过边界线得分(4分、6分)。
为了生成个性化嵌入,预处理引擎116可以从数据存储器118中检索目标击球手和所识别的投球手中的每一个的历史逐球数据。给定逐球数据,预处理引擎116可以识别击球手已经迎战和投球手已经迎战的先前500次投球。例如,如果击球手已经迎战少于500次投球,预处理引擎116可以基于运动员已经参与多少次投球而使用运动员的值与该特征的全局平均值之间的线性加权平均值。例如,如果投球手已经投球少于500次投球,预处理引擎116可以类似地基于运动员已经参与多少次投球而使用运动员的值与该特征的全局平均值之间的线性加权平均值。
在步骤506,组织计算系统104可以将逐球数据和个性化嵌入输入到预测引擎120中。预测引擎120可将逐球数据输入到LSTM 302中。LSTM 302可被配置为生成逐球数据的扁平化表示。预测引擎120可将个性化嵌入与LSTM 302输出的逐球数据输出的扁平化表示级联。预测引擎120可将级联数据提供给神经网络304。
在步骤508,组织计算系统104可以基于所输入的数据生成预测。例如,在目标击球手是迎战投球的运动员的情形下,预测引擎120可以针对来自比赛中的投球手的每次投球生成击球类型预测。预测可以包括击球被预测落入哪个区域。
在步骤510,组织计算系统104可以生成预测的图形表示。
图6A-图6F是示出了根据示例实施例的针对若干击球手的预测击球区域的框图。图6A-图6F中所示的预测击球区域是使用上述图5中所讨论的一个或更多个操作来生成的。使用特定示例,所识别的投球手可以是新西兰队的特伦特·布尔特(Trent Boult)。预测引擎120可以被配置成基于在目标竞赛期间由Trent Boult先前投出的投球来模拟针对英格兰板球队上的前6名击球手(杰森·罗伊(Jason Roy)、乔尼·巴尔斯托(Jonny Bairstow)、乔·鲁特(Joe Root)、乔·巴特勒(Jos But1er)、本·斯托克斯(Ben Stokes)、以及伊恩·摩根(Eoin Morgan))的个性化击球手预测。
如图所示,框图包括预测击球区域602a-602f。每个击球区域602a-602f对应于不同的击球手。例如,击球区域602a可对应于杰森·罗伊;击球区域602b可对应于乔·巴特勒;击球区域602c可对应于伊恩·摩根;击球区域602d可对应于乔尼·巴尔斯托;击球区域602e可以对应于乔·鲁特;以及击球区域602f可以对应于本·斯托克斯。
图7是示出了根据示例实施例的生成击球类型预测的方法700的流程图。出于讨论的目的,方法700针对模拟来自给定击球手对给定投球手的击球。这样的操作允许球队在竞赛之前对不同击球手进行侦察或计划。方法700可以在步骤702开始。
在步骤702,组织计算系统104可以针对多个赛事接收(或检索)给定击球手的逐球数据。在一些实施例中,逐球数据可以包括补充有逐球竞赛环境特征的逐球投球信息。例如,逐球数据可以包括给定击球手在赛季过程中迎战的投球的集合。
在步骤704,组织计算系统104可以针对目标击球手和目标投球手两者生成个性化嵌入。个性化的击球手特征可以包括例如对不同投球轨迹的能力和攻击性的测量,以及关于击球手喜欢的击打方向的一般信息。个性化投球手特征可以包括例如针对不同投球轨迹所得分的的平均数量、点球(0分)的比例和击球超过边界线得分(4分、6分)。
为了生成个性化嵌入,预处理引擎116可以从数据存储器118中检索目标击球手和所识别的投球手中的每一个的历史逐球数据。给定逐球数据,预处理引擎116可以识别击球手已经迎战和投球手已经迎战的先前700次投球。例如,如果击球手已经迎战少于500次投球,预处理引擎116可以基于运动员已经参与多少次投球而使用运动员的值与该特征的全局平均值之间的线性加权平均值。例如,如果投球手已经投球少于500次投球,预处理引擎116可以类似地基于运动员已经参与多少次投球而使用运动员的值与该特征的全局平均值之间的线性加权平均值。
在步骤706,组织计算系统104可以将逐球数据和个性化嵌入输入到预测引擎120中。预测引擎120可将逐球数据输入到LSTM 302中。LSTM 302可被配置为生成逐球数据的扁平化表示。预测引擎120可将个性化嵌入与LSTM 302输出的逐球数据输出的扁平化表示级联。预测引擎120可将级联数据提供给神经网络304。
在步骤708,组织计算系统104可以基于所输入的数据生成预测。例如,预测引擎120可以针对由目标投球手投的不同类型的投球生成击球类型预测。例如,给定来自目标投球手的贴板球投球,由英国击球手击中的比例将是攻击性的。
在步骤710,组织计算系统104可以生成预测的图形表示。
图8A-图8D示出了根据示例实施例的针对目标击球手对不同投球手的击球类型预测的绘图。可使用上文结合图7论述的一个或更多个操作来生成图8A-图8D中所示的击球类型预测。使用特定示例,框图集中于新西兰对英格兰击球手本·斯托克斯的潜在计划。预测引擎120可以根据前一年的斯托克斯击球局推断直到最后以找到他在击球时的典型竞赛环境(即,该击球局的竞赛得分和阶段)。预测引擎120然后可以使用该竞赛环境信息来探索四个不同投球路线、四个不同投球球距和被选择用于决赛的五个不同新西兰投球手的大参数空间。对于用右手的投球手,预测引擎120可以改变他们从其传递球的柱的一侧;对于迎战用左手的击球手的用左手的快速投球手,实际上将总是从同一侧进行投球。
框图展示了本·斯托克斯在其击球局开局时面对不同的投球球距时的击球类型预测,其中所有其他参数是固定的。例如,击球类型预测图802a可以对应于攻击性击球的比例,击球类型预测图802b可以对应于腿侧区域击球的比例。图802c可以对应于与大于60个球相比当迎战0-9个球时的攻击性击球的比例。图802d可对应于与大于60个球相比在迎战0-9个球时的腿侧区域击球的比例。
图9是示出了根据示例实施例的生成击球类型预测的方法900的流程图。出于讨论的目的,方法900针对在竞赛过程期间生成击球类型预测。例如,给定当前比赛环境(得分、击球手、投球手、剩余球等),预测引擎120可以生成关于击球将落在何处的预测。方法900可开始于步骤902。
在步骤902,组织计算系统104可以接收(或检索)给定赛事的逐球数据。在一些实施例中,逐球数据可以包括补充有逐球竞赛环境特征的逐球投球信息。在一些实施例中,逐球数据可以包括与来自投球球队的最后X个(例如,最后6个)投球或投球相关的数据。例如,假设在一轮中存在6次投球,则第6次投球可以包括关于先前6个球的信息(即,先前投球手的1球以及他们自己的5球)。
在步骤904,组织计算系统104可以针对击球手和投球手两者生成个性化嵌入。个性化的击球手特征可以包括例如对不同投球轨迹的能力和攻击性的测量,以及关于击球手喜欢的击打方向的一般信息。个性化投球手特征可以包括例如针对不同投球轨迹所得分的平均数量、点球(0分)的比例和击球超过边界线得分(4分、6分)。
为了生成个性化嵌入,预处理引擎116可以从数据存储器118中检索针对击球手和投球手中的每一个的历史逐球数据。给定逐球数据,预处理引擎116可以识别击球手已经迎战和投球手已经传递的先前500次投球。例如,如果击球手已经迎战少于500次投球,预处理引擎116可以基于运动员已经参与多少次投球而使用运动员的值与该特征的全局平均值之间的线性加权平均值。例如,如果投球手已经投球少于500次投球,预处理引擎116可以类似地基于运动员已经参与多少次投球而使用运动员的值与该特征的全局平均值之间的线性加权平均值。
在步骤906,组织计算系统104可以将逐球数据和个性化嵌入输入到预测引擎120中。预测引擎120可将逐球数据输入到LSTM 302中。LSTM 302可被配置为生成逐球数据的扁平化表示。预测引擎120可将个性化嵌入与LSTM 302输出的逐球数据输出的扁平化表示级联。预测引擎120可将级联数据提供给神经网络304。
在步骤908,组织计算系统104可以基于所输入的数据生成预测。例如,预测引擎120可以基于逐球数据和个性化嵌入来生成击球类型预测。预测可以包括击球被预测落入哪个区域。
图10A示出了根据示例实施例的系统总线计算系统架构1000。系统1000可表示组织计算系统104的至少一部分。系统1000的一个或更多个部件可以使用总线1005彼此电通信。系统1000可包括处理单元(CPU或处理器)1010和系统总线1005,该系统总线1005将包括系统存储器1015(诸如只读存储器(ROM)1020和随机存取存储器(RAM)1025)的不同系统组件耦接至处理器1010。系统1000可以包括与处理器1010直接连接、紧密接近处理器1010或集成为处理器1010的一部分的高速存储器的高速缓存。系统1000可将数据从存储器1015和/或存储设备1030复制到高速缓存1012以供处理器1010快速访问。以此方式,高速缓存1012可提供避免处理器1010在等待数据时延迟的性能提升。这些和其他模块可以控制或被配置为控制处理器1010以执行不同动作。其他系统存储器1015也可用于使用。存储器1015可以包括具有不同性能特性的多个不同类型的存储器。处理器1010可包含任何通用处理器和硬件模块或软件模块,例如存储在存储设备1030中的服务1 1032、服务2 1034和服务31036,硬件模块或软件模块被配置为控制处理器1010以及专用处理器,其中软件指令并入到实际处理器设计中。处理器1010本质上可以是完全独立的计算系统,包含多个核或处理器、总线、存储器控制器、高速缓存等。多核处理器可以是对称的或非对称的。
为了实现与计算设备1000的用户交互,输入设备1045可以表示任何数量的输入机构,如用于语音的麦克风、用于手势或图形输入的触敏屏、键盘、鼠标、运动输入、语音等等。输出设备1035(例如,显示器)还可为所属领域的技术人员已知的若干输出机构中的一个或更多个。在一些实例中,多模式系统可以使得用户能够提供多种类型的输入来与计算设备1000通信。通信接口1040通常可以控制和管理用户输入和系统输出。在何种特定硬件装置上操作没有限制,因此当改进的硬件或固件装置被开发时此处的基本特征可以容易地被它们替代。
存储设备1030可以是非暂时性存储器并且可以是硬盘或可以存储由计算机可访问的数据的其他类型的计算机可读介质,如磁带盒、闪存卡、固态存储器设备、数字通用盘、盒式磁带、随机存取存储器(RAM)1025、只读存储器(ROM)1020、以及其混合。
存储设备1030可以包括用于控制处理器1010的服务1032、1034和1036。构想了其他硬件或软件模块。存储设备1030可以连接到系统总线1005。在一个方面中,执行特定功能的硬件模块可包含与必要硬件组件(例如处理器1010、总线1005、显示器1035等)结合的存储在计算机可读介质中以实施所述功能的软件组件。
图10B示出了具有芯片组架构的计算机系统1050,该芯片组架构可以表示组织计算系统104的至少一部分。计算机系统1050可以是可用于实现所公开的技术的计算机硬件、软件和固件的示例。系统1050可包含处理器1055,其表示能够执行被配置以执行所识别的计算的软件、固件和硬件的任何数量的物理和/或逻辑上不同的资源。处理器1055可以与芯片组1060通信,芯片组1060可以控制对处理器1055的输入和来自处理器1055的输出。在该示例中,芯片组1060将信息输出到输出1065(例如,显示器),且可将信息读取和写入到存储设备1070,存储设备1070可包含例如磁性介质和固态介质。芯片组1060还可以从存储器1075(例如,RAM)读取数据以及向其写入数据。可以提供用于与各种用户接口组件1085接口连接的桥1080以用于与芯片组1060接口连接。这样的用户接口组件1085可以包括键盘、麦克风、触摸检测和处理电路、诸如鼠标之类的定点设备等。一般而言,给系统1050的输入可来自机器生成和/或人类生成的各种源中的任何一种源。
芯片组1060还可以与可以具有不同物理接口的一个或更多个通信接口1090接口连接。这样的通信接口可以包括用于有线和无线局域网、用于宽带无线网络以及个人局域网的接口。本文公开的用于生成、显示和使用GUI的方法的一些应用可包括:通过物理接口接收经排序的数据集,或由机器本身通过处理器1055分析存储在存储器1070或1075中的数据来生成。进一步地,机器可通过用户接口组件1085从用户接收输入,并通过使用处理器1055解释这些输入来执行适当的功能,诸如浏览功能。
可以理解,示例系统1000和1050可以具有多于一个处理器1010或是联网在一起以提供更大处理能力的计算设备组或集群的一部分。
虽然前述内容是针对本文描述的实施例,但是在不背离其基本范围的情况下,可以设计其他和进一步的实施例。例如,本公开的各方面可用硬件或软件或硬件和软件的组合来实现。本文描述的实施例可以实现为与计算机系统一起使用的程序产品。程序产品的程序定义实施例的功能(包括本文描述的方法),并且可以被包含在各种计算机可读存储介质上。说明性计算机可读存储介质包括但不限于:(i)其上永久地存储信息的非可写存储介质(例如,计算机内的只读存储器(ROM)设备,诸如可由CD-ROM驱动器读取的CD-ROM盘、闪存、ROM芯片或任何类型的固态非暂时性存储器);以及(ii)其上存储有可变信息的可写存储介质(例如,硬盘驱动器或磁盘驱动器内的软盘或任何类型的固态随机存取存储器)。当携带引导所公开的实施例的功能的计算机可读指令时,这样的计算机可读存储介质是本公开的实施例。
本领域技术人员将了解,前述示例是示例性的而非限制性的。在阅读说明书和研究附图之后,所有置换、增强、等同物、及其改进对于本领域技术人员而言是显而易见的,被包括在本公开的真实精神和范围内。因此,所附权利要求旨在包含落入这些教导的真实精神和范围内的所有这些修改、置换和等同物。
Claims (20)
1.一种用于预测击球类型的方法,包括:
由计算系统检索多个体育赛事的逐球数据;
由所述计算系统通过以下操作来生成经训练的神经网络:
通过用逐球竞赛环境特征补充所述逐球数据来生成基于所述逐球数据的多个训练数据集;
根据所述逐球数据基于每次投球的击球手和投球手生成个性化嵌入;以及
由与所述计算系统相关联的神经网络学习,以基于所述逐球数据和所述个性化嵌入来预测击球类型;
由所述计算系统接收在目标赛事中将要被传递的投球的目标击球手和目标投球手;
由所述计算系统识别在将要被传递的所述投球之前的投球窗口的目标逐球数据;
由所述计算系统检索所述目标击球手和所述目标投球手中的每一个的历史逐球数据;
由所述计算系统基于所述历史逐球数据为所述目标击球手和所述目标投球手两者生成个性化嵌入;以及
由所述计算系统使用所述经训练的神经网络,基于所述目标逐球数据和所述个性化嵌入来预测将要被传递的所述投球的击球类型。
2.根据权利要求1所述的方法,其中,所述神经网络包括:
长短期记忆(LSTM)网络;以及
前馈神经网络。
3.根据权利要求2所述的方法,其中,由所述神经网络学习以基于所述逐球数据和所述个性化嵌入来预测所述击球类型包括:
将所述逐球数据输入到所述LSTM网络;以及
由所述LSTM网络基于所述逐球数据生成输出。
4.根据权利要求3所述的方法,进一步包括:
将所述LSTM网络的所述输出与所述个性化嵌入级联以生成级联数据;以及
将所述级联数据输入所述前馈神经网络。
5.根据权利要求1所述的方法,其中,所述击球类型预测包括:球场上的击打投球将着陆的预测位置。
6.根据权利要求1所述的方法,其中,由所述计算系统识别在将要被传递的所述投球之前的所述投球窗口的所述目标逐球数据包括:
识别由所述目标投球手的球队投球的最后X个投球。
7.根据权利要求1所述的方法,进一步包括:
生成球场上的击打投球可能着陆的位置的图形表示。
8.一种用于预测击球类型的系统,包括:
处理器;以及
存储器,所述存储器存储有编程指令,所述编程指令由所述处理器执行时,使所述系统执行一个或更多个操作,所述操作包括:
检索多个体育赛事的逐球数据;
通过以下操作来生成经训练的神经网络:
通过用逐球竞赛环境特征补充逐球数据来生成基于所述逐球数据的多个训练数据集;
根据所述逐球数据基于每次投球的击球手和投球手生成个性化嵌入;以及
由神经网络学习,以基于所述逐球数据和所述个性化嵌入来预测击球类型;
接收在目标赛事中将要被传递的投球的目标击球手和目标投球手;
识别在将要被传递的所述投球之前的投球窗口的目标逐球数据;
检索所述目标击球手和所述目标投球手中的每一个的历史逐球数据;
基于所述历史逐球数据为所述目标击球手和所述目标投球手两者生成个性化嵌入;以及
基于所述目标逐球数据和所述个性化嵌入来预测将要被传递的所述投球的击球类型。
9.根据权利要求8所述的系统,其中,所述神经网络包括:
长短期记忆(LSTM)网络;以及
前馈神经网络。
10.根据权利要求9所述的系统,其中,由所述神经网络学习以基于所述逐球数据和所述个性化嵌入来预测所述击球类型包括:
将所述逐球数据输入到所述LSTM网络;以及
由所述LSTM网络基于所述逐球数据生成输出。
11.根据权利要求10所述的系统,其中,所述一个或更多个操作进一步包括:
将所述LSTM网络的所述输出与所述个性化嵌入级联以生成级联数据;以及
将所述级联数据输入所述前馈神经网络。
12.根据权利要求8所述的系统,其中,所述击球类型预测包括:球场上的击打投球将着陆的预测位置。
13.根据权利要求8所述的系统,其中,识别在将要被传递的所述投球之前的所述投球窗口的所述目标逐球数据包括:
识别由所述目标投球手的球队投球的最后X个投球。
14.根据权利要求8所述的系统,其中,所述一个或更多个操作进一步包括:
生成球场上的击打投球可能着陆的位置的图形表示。
15.一种包括一个或更多个指令序列的非暂时性计算机可读介质,所述一个或更多个指令序列在由一个或更多个处理器执行时使计算系统执行操作,所述操作包括:
由所述计算系统检索多个体育赛事的逐球数据;
由所述计算系统通过以下操作来生成经训练的神经网络:
通过用逐球竞赛环境特征补充逐球数据来生成基于所述逐球数据的多个训练数据集;
根据所述逐球数据基于每次投球的击球手和投球手生成个性化嵌入;以及
由神经网络学习,以基于所述逐球数据和所述个性化嵌入来预测击球类型;
由所述计算系统接收在目标赛事中将要被传递的投球的目标击球手和目标投球手;
由所述计算系统识别在将要被传递的所述投球之前的投球窗口的目标逐球数据;
由所述计算系统检索所述目标击球手和所述目标投球手中的每一个的历史逐球数据;
由所述计算系统基于所述历史逐球数据为所述目标击球手和所述目标投球手两者生成个性化嵌入;以及
由所述计算系统基于所述目标逐球数据和所述个性化嵌入来预测将要被传递的所述投球的击球类型。
16.根据权利要求15所述的非暂时性计算机可读介质,其中,所述神经网络包括:
长短期记忆(LSTM)网络;以及
前馈神经网络。
17.根据权利要求16所述的非暂时性计算机可读介质,其中,由所述神经网络学习以基于所述逐球数据和所述个性化嵌入来预测所述击球类型包括:
将所述逐球数据输入到所述LSTM网络;以及
由所述LSTM网络基于所述逐球数据生成输出。
18.根据权利要求17所述的非暂时性计算机可读介质,进一步包括:
将所述LSTM网络的所述输出与所述个性化嵌入级联以生成级联数据;以及
将所述级联数据输入所述前馈神经网络。
19.根据权利要求15所述的非暂时性计算机可读介质,其中,所述击球类型预测包括:球场上的击打投球将着陆的预测位置。
20.根据权利要求15所述的非暂时性计算机可读介质,其中,由所述计算系统识别在将要被传递的所述投球之前的所述投球窗口的所述目标逐球数据包括:
识别由所述目标投球手的球队投球的最后X个投球。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN202041006299 | 2020-02-13 | ||
IN202041006299 | 2020-02-13 | ||
PCT/US2021/016635 WO2021162935A1 (en) | 2020-02-13 | 2021-02-04 | Dynamically predicting shot type using a personalized deep neural network |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115087997A true CN115087997A (zh) | 2022-09-20 |
Family
ID=77272660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180013950.6A Pending CN115087997A (zh) | 2020-02-13 | 2021-02-04 | 使用个性化深度神经网络动态预测击球类型 |
Country Status (4)
Country | Link |
---|---|
US (2) | US11715303B2 (zh) |
EP (1) | EP4104110A4 (zh) |
CN (1) | CN115087997A (zh) |
WO (1) | WO2021162935A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11577145B2 (en) | 2018-01-21 | 2023-02-14 | Stats Llc | Method and system for interactive, interpretable, and improved match and player performance predictions in team sports |
US11645546B2 (en) | 2018-01-21 | 2023-05-09 | Stats Llc | System and method for predicting fine-grained adversarial multi-agent motion |
EP3912090A4 (en) | 2019-03-01 | 2022-11-09 | Stats Llc | CUSTOMIZING PERFORMANCE PREDICTION USING DATA AND BODY POSTURE FOR SPORTS PERFORMANCE ANALYSIS |
US20210170229A1 (en) * | 2019-12-06 | 2021-06-10 | Acronis International Gmbh | Systems and methods for providing strategic game recommendations in a sports contest using artificial intelligence |
US11935298B2 (en) | 2020-06-05 | 2024-03-19 | Stats Llc | System and method for predicting formation in sports |
US11682209B2 (en) | 2020-10-01 | 2023-06-20 | Stats Llc | Prediction of NBA talent and quality from non-professional tracking data |
EP4360037A1 (en) * | 2021-09-24 | 2024-05-01 | Stats Llc | Interactive gaming in sports |
CN113895272A (zh) * | 2021-10-15 | 2022-01-07 | 青岛科技大学 | 基于深度学习的电动汽车交流充电状态监测和故障预警方法 |
Family Cites Families (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6652284B2 (en) * | 2001-03-16 | 2003-11-25 | Agere Systems Inc. | Virtual assistant coach |
US7436983B2 (en) * | 2002-07-31 | 2008-10-14 | National Institute Of Information And Communications Technology Incorporated Administrative Agency | Image recognition apparatus and image recognition program |
ITRM20050192A1 (it) * | 2005-04-20 | 2006-10-21 | Consiglio Nazionale Ricerche | Sistema per la rilevazione e la classificazione di eventi durante azioni in movimento. |
GB2465538B (en) * | 2008-08-01 | 2013-03-13 | Sony Corp | Method and apparatus for generating an event log |
GB2469074A (en) * | 2009-03-31 | 2010-10-06 | Sony Corp | Object tracking with polynomial position adjustment |
US9058670B2 (en) * | 2010-05-03 | 2015-06-16 | Stats Llc | Trajectory detection and analysis in sporting events |
US9693108B2 (en) * | 2012-06-12 | 2017-06-27 | Electronics And Telecommunications Research Institute | Method and system for displaying user selectable picture |
WO2014008134A1 (en) * | 2012-07-02 | 2014-01-09 | Infomotion Sports Technologies, Inc. | Computer-implemented capture of live sporting event data |
US9517397B2 (en) * | 2012-11-09 | 2016-12-13 | Wilson Sporting Goods Co. | Sport performance system with ball sensing |
US20140274486A1 (en) * | 2013-03-15 | 2014-09-18 | Wilson Sporting Goods Co. | Ball sensing |
US9875550B2 (en) * | 2013-08-28 | 2018-01-23 | Disney Enterprises, Inc. | Method and device for tracking sports players with context-conditioned motion models |
US10521671B2 (en) * | 2014-02-28 | 2019-12-31 | Second Spectrum, Inc. | Methods and systems of spatiotemporal pattern recognition for video content development |
WO2015190071A1 (ja) * | 2014-06-10 | 2015-12-17 | パナソニック株式会社 | 映像処理方法、映像処理装置 |
US9501950B2 (en) * | 2014-11-07 | 2016-11-22 | Umm Al-Qura University | System and method for coach decision support |
DE102015207415A1 (de) * | 2015-04-23 | 2016-10-27 | Adidas Ag | Verfahren und Gerät zum Verknüpfen von Bildern in einem Video einer Aktivität einer Person mit einem Ereignis |
EP3391239A4 (en) * | 2015-12-14 | 2020-02-26 | Stats Llc | SYSTEM FOR INTERACTIVE SPORT ANALYTICS USING MULTIPLE TEMPLATE ORIENTATION AND DISCRIMINATING CLUSTERING |
US20180326284A1 (en) * | 2016-10-26 | 2018-11-15 | Cricketronics Private Limited | Systems and methods for cricket/baseball game scoring and umpiring |
GB2555172B (en) * | 2017-07-21 | 2020-04-15 | Sportable Tech Ltd | Event detection in sports |
US11478681B2 (en) * | 2017-11-29 | 2022-10-25 | Agt Global Media Gmbh | Method of real time monitoring of a person during an event and event dynamics system thereof |
US20190228306A1 (en) * | 2018-01-21 | 2019-07-25 | Stats Llc | Methods for Detecting Events in Sports using a Convolutional Neural Network |
US11013978B2 (en) * | 2018-05-31 | 2021-05-25 | International Business Machines Corporation | In-game strategic insight with real-time heat map generation and historical heat maps |
US11842572B2 (en) * | 2018-06-21 | 2023-12-12 | Baseline Vision Ltd. | Device, system, and method of computer vision, object tracking, image analysis, and trajectory estimation |
US11568713B2 (en) * | 2019-01-21 | 2023-01-31 | Tempus Ex Machina, Inc. | Systems and methods for making use of telemetry tracking devices to enable event based analysis at a live game |
US10832734B2 (en) * | 2019-02-25 | 2020-11-10 | International Business Machines Corporation | Dynamic audiovisual segment padding for machine learning |
US11045705B2 (en) * | 2019-03-19 | 2021-06-29 | NEX Team Inc. | Methods and systems for 3D ball trajectory reconstruction |
US20200387817A1 (en) * | 2019-06-05 | 2020-12-10 | International Business Machines Corporation | Artificial intelligence assisted sports strategy predictor |
JP7322956B2 (ja) * | 2019-08-30 | 2023-08-08 | 日本電信電話株式会社 | パフォーマンス評価装置、方法及びプログラム |
JP7384008B2 (ja) * | 2019-11-29 | 2023-11-21 | 富士通株式会社 | 映像生成プログラム、映像生成方法及び映像生成システム |
US20210170229A1 (en) * | 2019-12-06 | 2021-06-10 | Acronis International Gmbh | Systems and methods for providing strategic game recommendations in a sports contest using artificial intelligence |
-
2021
- 2021-02-04 EP EP21753262.1A patent/EP4104110A4/en active Pending
- 2021-02-04 US US17/167,411 patent/US11715303B2/en active Active
- 2021-02-04 WO PCT/US2021/016635 patent/WO2021162935A1/en unknown
- 2021-02-04 CN CN202180013950.6A patent/CN115087997A/zh active Pending
-
2023
- 2023-07-31 US US18/362,746 patent/US20230377337A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4104110A1 (en) | 2022-12-21 |
WO2021162935A1 (en) | 2021-08-19 |
EP4104110A4 (en) | 2024-02-28 |
US11715303B2 (en) | 2023-08-01 |
US20230377337A1 (en) | 2023-11-23 |
US20210256265A1 (en) | 2021-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115087997A (zh) | 使用个性化深度神经网络动态预测击球类型 | |
CN111936212B (zh) | 在定位进攻期间对球队队形进行识别的方法、系统、介质 | |
Sheng et al. | GreenSea: visual soccer analysis using broad learning system | |
CN112272581A (zh) | 在球队运动中进行交互的、可说明的且改进的比赛和球员表现预测的方法和系统 | |
US20230330485A1 (en) | Personalizing Prediction of Performance using Data and Body-Pose for Analysis of Sporting Performance | |
US20220270004A1 (en) | Micro-Level and Macro-Level Predictions in Sports | |
EP4313330A1 (en) | Field rating and course adjusted strokes gained for global golf analysis | |
Lord et al. | Identifying and analysing game styles and factors influencing a team’s strategy in field hockey | |
Peng et al. | [Retracted] Research on Reconstruction of Basketball Training Action Trajectory Based on Improved K‐Means Clustering Algorithm | |
WO2022232270A1 (en) | System and method for individual player and team simulation | |
JP6939999B2 (ja) | 情報処理システム、情報処理方法及び記憶媒体 | |
US20240087072A1 (en) | Live event information display method, system, and apparatus | |
US20220355182A1 (en) | Live Prediction of Player Performances in Tennis | |
CN118043825A (zh) | 实况控球权值模型 | |
US20230027077A1 (en) | Real Time Feedback and Recommendations on Market Selections | |
Zhao et al. | Big Data from Collection to Use in Competitive Games—A Study Case on Badminton | |
Zhong | Application of Artificial Intelligence and Big Data Technology in Basketball Sports Training | |
CN117999573A (zh) | 体育运动中的互动式游戏 | |
Zhang et al. | On predicting and generating a good break shot in billiards sports | |
CN117980042A (zh) | 网球锦标赛实时预测 | |
WO2024026080A1 (en) | Tournament simulation in golf | |
CN117957040A (zh) | 用于网球中实况反事实分析的系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |