CN115346161B - 足球比赛态势评估和预测方法、装置和电子设备 - Google Patents
足球比赛态势评估和预测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN115346161B CN115346161B CN202211270644.3A CN202211270644A CN115346161B CN 115346161 B CN115346161 B CN 115346161B CN 202211270644 A CN202211270644 A CN 202211270644A CN 115346161 B CN115346161 B CN 115346161B
- Authority
- CN
- China
- Prior art keywords
- tracking data
- ball control
- ball
- players
- sample
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012545 processing Methods 0.000 claims abstract description 94
- 238000011156 evaluation Methods 0.000 claims abstract description 88
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 8
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 4
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012821 model calculation Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术领域，提供一种足球比赛态势评估和预测方法、装置和电子设备，其中方法包括：获取比赛中任一时刻的追踪数据的原始特征；对追踪数据的原始特征进行特征工程处理，得到追踪数据的处理特征；将追踪数据的处理特征输入至比赛态势评估和预测模型，得到比赛态势评估和预测模型输出的在任一时刻下的评估和预测结果；评估和预测结果包括控球方进球、非控球方进球和双方均无进球分别对应的概率。本发明提供的足球比赛态势评估和预测方法、装置和电子设备，相比于现有技术中仅评估有球球员的动作表现，有效利用了球场区域内所有球员和球的追踪数据，实现了从全局的视角进行综合性的比赛态势评估与预测。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种足球比赛态势评估和预测方法、装置和电子设备。
背景技术
足球是典型的群体智能对抗类运动，其中态势评估对于比赛的进程、赛后分析、球员及球队的评估起着重要作用。在群体比赛当中，仅依靠是否得分、最终是否赢得比赛已经无法满足对于球员表现评估、战术分析的需求。对比赛全场的态势进行分析对于球员及战术评价、赛后全民复盘比赛、比赛进程预测等应用方向具有重要的作用。
传统的足球比赛态势评估与预测方法一种是利用理论的动力学模型对于球员进行建模，虽然这种方法具有一定的理论依据，但仅提供了一种最基础的通用模型，无法适用于不同的场景分析。另一种方法，则停留在对球员，特别是持球球员的动作进行评估，例如评价一次传球的质量、评估一次射门是否能够成功、一次拦截是否能够成功等等。这类方法只能够局限地评估与球接触的球员，无法评估自由跑动球员的决策是否正确，更无法从全局的视角对比赛态势进行分析。
发明内容
本发明提供一种足球比赛态势评估和预测方法、装置和电子设备，用以解决现有技术中分析方法应用范围有限、无法从全局视角进行分析等局限性，分析方法单一、无法有效利用数据信息的缺陷，实现直观准确地结合所有球员的跑动数据，从全局角度对全场的态势进行综合性分析。
本发明提供一种足球比赛态势评估和预测方法，包括：
获取比赛中任一时刻的追踪数据的原始特征；
对所述追踪数据的原始特征进行特征工程处理，得到所述追踪数据的处理特征；
将所述追踪数据的处理特征输入至比赛态势评估和预测模型，得到所述比赛态势评估和预测模型输出的在所述任一时刻下的评估和预测结果；所述评估和预测结果包括控球方进球、非控球方进球和双方均无进球分别对应的概率；所述评估和预测结果用于辅助分析人员进行足球战术分析；
其中，所述比赛态势评估和预测模型是基于样本追踪数据的处理特征，以及所述样本追踪数据对应的标签训练得到的；所述样本追踪数据对应的标签是基于所述样本追踪数据对应的时间戳和所属控球权确定的。
根据本发明提供的足球比赛态势评估和预测方法，对所述追踪数据的原始特征进行特征工程处理，得到所述追踪数据的处理特征，具体包括：
对所述追踪数据的原始特征进行特征提取，得到所述追踪数据的第一特征；
将所述追踪数据的第一特征与所述原始特征进行融合，得到所述追踪数据的处理特征。
根据本发明提供的足球比赛态势评估和预测方法，所述追踪数据的第一特征包括：
每一场比赛进球的平均位置、控球球员与球的距离、双方球队离球距离最近的三名球员。
根据本发明提供的足球比赛态势评估和预测方法，所述将所述追踪数据的第一特征与所述原始特征进行融合，得到所述追踪数据的处理特征，具体包括：
对所述追踪数据的原始特征进行特征筛选，得到所述追踪数据的第二特征；
将所述追踪数据的第一特征与所述第二特征进行融合，得到所述追踪数据的处理特征。
根据本发明提供的足球比赛态势评估和预测方法，所述追踪数据的第二特征包括：
双方全部球员的位置和速度、球的位置和速度、球场坐标、比赛场次、剩余时间、控球球员的位置和控球球队。
根据本发明提供的足球比赛态势评估和预测方法，所述样本追踪数据对应的标签基于如下步骤确定：
基于各个样本追踪数据对应的时间戳和所属控球权，将所述各个样本追踪数据划分为各个控球序列；
基于所述各个控球序列对应的控球结果，对所述各个控球序列包含的各个样本追踪数据进行标签标注，得到所述各个样本追踪数据对应的标签。
根据本发明提供的足球比赛态势评估和预测方法，所述得到所述各个样本追踪数据对应的标签，之后还包括：
基于样本追踪数据对应的标签，确定各个标签类别所包含的样本追踪数据的数量；
基于所述各个标签类别所包含的样本追踪数据的数量，计算每一标签类别对应的样本追踪数据的权重。
根据本发明提供的足球比赛态势评估和预测方法，所述追踪数据的原始特征包括：
全部球员的位置、速度、移动方向、疲劳值、所属队伍、角色和是否犯规；
球的位置、速度、旋转角度、控球球员的位置和控球球队；
球场坐标、比赛场次、当前得分和剩余时间。
本发明还提供一种比赛态势预测装置，包括：
数据获取单元，用于获取比赛中任一时刻的追踪数据的原始特征；
特征处理单元，用于对所述追踪数据的原始特征进行特征工程处理，得到所述追踪数据的处理特征；
态势预测单元，用于将所述追踪数据的处理特征输入至比赛态势评估和预测模型，得到所述比赛态势评估和预测模型输出的在所述任一时刻下的评估和预测结果；所述评估和预测结果包括控球方进球、非控球方进球和双方均无进球分别对应的概率；所述评估和预测结果用于辅助分析人员进行足球战术分析；
其中，所述比赛态势评估和预测模型是基于样本追踪数据的处理特征，以及所述样本追踪数据对应的标签训练得到的；所述样本追踪数据对应的标签是基于所述样本追踪数据对应的时间戳和所属控球权确定的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述足球比赛态势评估和预测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述足球比赛态势评估和预测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述足球比赛态势评估和预测方法。
本发明提供的足球比赛态势评估和预测方法、装置和电子设备，通过对比赛中任一时刻的追踪数据的原始特征进行特征工程处理，得到追踪数据的处理特征；基于比赛态势评估和预测模型，应用处理特征对该时刻下双方球队的比赛态势进行预测。相比于现有技术中仅评估与球接触的球员，该方法有效利用了球场区域内所有球员和球的追踪数据，实现了从全局的视角进行综合性态势评估，同时应用特征工程处理之后的处理特征，能够进一步提高比赛态势预测的准确性。此外，比赛态势评估与预测的结果可辅助分析人员进行战术分析。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的足球比赛态势评估和预测方法的流程示意图之一；
图2是本发明提供的足球比赛态势评估和预测方法的流程示意图之二；
图3是本发明提供的足球比赛态势评估和预测装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
传统的足球比赛态势评估和预测方法，一种是利用理论的动力学模型对于球员进行建模，虽然这种方法具有一定的理论依据，但仅提供了一种最基础的通用模型，无法适用于不同的场景分析。
另一种方法则停留在对球员，特别是持球球员的动作进行评估，例如评价一次传球的质量、评估一次射门是否能够成功、一次拦截是否能够成功等等。这类评价方法只能够局限地评估与球接触的球员，无法评估自由跑动球员的决策是否正确，更无法从全局的视角进行比赛态势与评价。
基于此，本发明实施例提供一种足球比赛态势评估和预测方法，该方法的执行主体可以是足球比赛态势评估和预测装置，该装置可以通过软件实现，该装置可以集成在电子设备中，该电子设备可以笔记本电脑、台式计算机，此处不限定电子设备的具体类型，本领域技术人员可以根据实际情况自行选定，只要该电子设备能够实现逻辑运算功能即可。
需要说明的是，该方法可以应用于电子设备中运行的足球比赛仿真程序，也可以应用于真实的足球比赛，还可以应用于以智能机器人为对象的足球比赛过程。
图1是本发明提供的足球比赛态势评估和预测方法的流程示意图，如图1所示，该方法可以包括如下步骤：
步骤110，获取比赛中任一时刻的追踪数据的原始特征。
具体地，追踪数据可包括球场区域球员和球的所有追踪数据，球场区域即足球比赛场上球员能够自由跑动的整个区域，球员可以为球类比赛仿真程序中的球员虚拟人物，也可以为真实的球类比赛中的球员，还可以为球类比赛过程中的智能机器人，还可以是人工智能领域的智能体，此处不具体限定球员的类型。
需要说明的是，当球员处于虚拟环境中时，可通过程序在虚拟环境中追踪并提取球员和球的追踪数据；当球员处于真实的球类比赛环境中时，球员和球可预先配置或穿戴定位装置和运动捕捉装置，通过定位装置和运动捕捉装置实时捕获每个球员和球的追踪数据。考虑到在真实足球比赛环境中获取数据的方式代价较大，一般可采取在虚拟环境中获取追踪数据。
可理解的是，比赛中任一时刻的追踪数据即从任一比赛中任一时刻提取得到的原始数据，可预先设定数据追踪的时间间隔，例如每隔1s或1ms提取一次数据；还可以通过预先设置追踪数据的数量来定义数据提取时间间隔，比如一场比赛90分钟，可设置追踪数据的数量为3000条，则此时每隔1.8s提取一次数据，本发明实施例对此不作具体限定。
优选地，追踪数据的原始特征可包括能够追踪到的所有数据，例如足球场上全部22名球员的位置和速度，球的位置和速度，比赛中任一时刻球员的移动方向（2维），疲劳值，所属队伍，球员角色（编号），是否犯规（吃黄牌/红牌）；球的旋转角度（3维），控球的球队，控球球员的位置；球场坐标（左下角、左上角、右下角、右上角），比赛场次，当前得分，剩余时间。其中疲劳值用于表征球员的疲劳程度，可通过球员的跑动时长，跑动速度的变化综合计算得到。
需特别指出的是，球员的位置可通过球员在球场上的坐标表示，主场球队球员的
坐标可以表示为
，其中
表示主队的11名球员；客场球队球员
的坐标可以表示为
，
表示客队的11名球员。球的三维坐标
可表示为
。
其中，控球球队表示为
，若为主场球队控球，
，若为客场球队控球，
。
步骤120，对追踪数据的原始特征进行特征工程处理，得到追踪数据的处理特征。
具体地，考虑到追踪数据的原始特征中包含的数据特征较多，其中一些特征在比赛态势评估和预测上的相关性较大，比如球和球员的位置和速度，而另一些特征在比赛态势评估和预测上的相关性相对而言较小，比如球员角色。同时考虑到针对比赛态势评估和预测相关性较大的一些特征，并不能由追踪数据的原始特征直接得到，因此有必要对追踪数据的原始特征进行特征工程处理，特征工程处理具体可以包括高级特征提取和特征筛选。例如，可以筛除球员角色这一类在比赛态势评估和预测上的相关性相对而言较小的特征，保留相关性相对而言较大的特征。
对追踪数据的原始特征进行特征工程处理之后，即得到追踪数据的处理特征。此处的处理特征可包括在比赛态势评估和预测相关性较高的特征。
步骤130，将追踪数据的处理特征输入至比赛态势评估和预测模型，得到比赛态势评估和预测模型输出的在任一时刻下的评估和预测结果；评估和预测结果包括控球方进球、非控球方进球和双方均无进球分别对应的概率；评估和预测结果用于辅助分析人员进行足球战术分析。
其中，比赛态势评估和预测模型是基于样本追踪数据的处理特征，以及样本追踪数据对应的标签训练得到的；样本追踪数据对应的标签基于样本追踪数据对应的时间戳和所属控球权确定。
具体地，得到追踪数据的处理特征的基础上，即可将该比赛时刻的追踪数据的处理特征输入至比赛态势评估和预测模型，得到比赛态势评估和预测模型输出的态势评估和预测结果。评估和预测结果具体可包括控球方进球、非控球方进球和双方均无进球分别对应的概率。
得到评估和预测结果之后，可视化该时刻的追踪数据对应的比赛画面，分析人员，比如教练员或球员，可根据评估和预测结果结合比赛画面进行战术分析。
可理解的是，评估和预测结果可表征在该时刻下比赛场上双方球队对球场位置、球的控制权所具有的优势，如果评估和预测结果中控球方进球的概率最大，则该时刻控球方占优势；如果评估和预测结果中非控球方进球的概率最大，则该时刻非控球方占优势；如果评估和预测结果中双方均无进球的概率最大，则该时刻双方互不占优势。
基于该评估和预测结果，可预测到球场中可能出现的比较极端的情况，比如该时刻下球虽然离我方的球门很近，但是评估和预测结果表示我方进球的概率较大，那么在当前时刻下虽然球离我方球门很近，但对方不一定能够进球，我方仍有希望进行反击。
优选的，根据评估和预测结果进行战术分析可包括战术评估和战术调整，其中战术评估是指根据该评估和预测结果，评估当前比赛场上自由跑动球员的决策是否正确，或者评估持球球员的传球质量。针对其中某一方球队来说，如果评估和预测结果表示我方球队进球的概率较大，则说明当前比赛场上自由跑动球员的决策是正确的，或者持球球员的传球质量较高；反之如果评估和预测结果表示我方球队进球的概率较小，则说明当前比赛场上自由跑动球员的决策是不恰当的，或者持球球员的传球质量较低。战术评估可很好的辅助分析人员进行战术复盘，改进本方的战术以应对未来的比赛。
进一步地，如果评估和预测结果表示我方球队进球的概率较小，可提醒教练员及时调整战术策略以应对接下来的比赛。
在执行步骤130之前，还可以预先对比赛态势评估和预测模型进行训练，具体可以通过如下方法进行模型训练：
首先，采集历史每次比赛的追踪数据，作为各个样本追踪数据，相应地对样本追踪数据进行特征工程处理，得到各个样本追踪数据的处理特征。可理解的是，样本追踪数据的获取方式与步骤110中追踪数据的获取方式相同，对样本追踪数据进行特征工程处理，得到样本追踪数据的处理特征的方法与步骤120中得到追踪数据的处理特征的方法相同，此处均不再赘述。
在此基础上，可对每一条样本追踪数据打标签处理。每一条样本追踪数据对应的标签可反映该条样本追踪数据对应的比赛态势。为了实现各个样本追踪数据的标签标注，可以基于各个样本追踪数据对应的时间戳和所属控球权，进行打标签。其中，时间戳可反映样本追踪数据所对应的比赛时刻，所属控球权可反映该时间戳下该条样本追踪数据所属的控球权，比如所属控球权是主场球队还是客场球队。通常情况下，控球权所在的球队进球的概率相比于没有控球权的球队进球的概率较大。
随即，可应用样本追踪数据和样本追踪数据对应的标签对初始模型进行训练。本发明实施例对初始模型的形式不作具体限定，例如初始模型可设计为深度神经网络，也可设计为决策树模型。若初始模型设计为深度神经网络，需要设置的网络参数有：网络隐藏层的层数、隐藏层中每个神经元的激活函数、网络的损失函数、初始化输入、分批次训练的样本大小、网络训练的随机种子。若模型设计为决策树模型，可以使用XGBoost算法，也可以使用LightGBM算法。需要设置的网络参数有：损失函数、决策树的层数、叶子节点个数、最大迭代次数、随机种子、每个叶子分类样本个数、样本的权重；相关其他参数可按照模型的默认值设置。由此训练得到的比赛态势评估和预测模型能够很好的学习各条样本追踪数据与之对应的标签之间的映射关系。
本发明实施例提供的方法，通过对比赛中任一时刻的追踪数据的原始特征进行特征工程处理，得到追踪数据的处理特征；基于比赛态势评估和预测模型，应用处理特征对该时刻下双方球队的比赛态势进行预测。相比于现有技术中仅评估与球接触的球员，该方法有效利用了球场区域内所有球员和球的追踪数据，实现了从全局的视角进行综合性态势评估，同时应用特征工程处理之后的处理特征，能够进一步提高比赛态势预测的准确性。此外，比赛态势评估与预测的结果可辅助分析人员进行战术分析。
基于上述任一实施例，对追踪数据的原始特征进行特征工程处理，得到追踪数据的处理特征，具体包括：
对追踪数据的原始特征进行特征提取，得到追踪数据的第一特征；
将追踪数据的第一特征与原始特征进行融合，得到追踪数据的处理特征。
具体地，追踪数据的原始特征即采集获取到的追踪数据包括的所有原始特征，比如可包括全部球员的位置、速度、移动方向、疲劳值、所属队伍、角色和是否犯规；球的位置、速度、旋转角度、控球球员的位置和控球球队；球场坐标、比赛场次、当前得分和剩余时间等等。
考虑到原始特征并不能更好的反映追踪数据与能否进球之间的关系，故为了提高模型的评估和预测精度，可进一步构造高级特征。即针对比赛比赛态势的特点，对追踪数据的原始特征进行特征提取，得到追踪数据的第一特征，由此提取得到的第一特征在比赛态势预测上的相关性相对较高。
优选的，第一特征可以包括双方球队中离球最近的三名球员的位置、每一场比赛进球的平均位置、以及控球球员与球的距离。其中，双方球队中离球最近的三名球员可能包含控球球员。每一场比赛进球的平均位置具体可以是射门时球的平均位置，假如该场比赛进球为3个，则针对该3个进球射门时球的位置计算平均位置。
得到第一特征之后，可将第一特征与原始特征进行融合，得到追踪数据的处理特征，可理解的是，追踪数据的处理特征同时包含了原始特征和第一特征。
本发明实施例提供的方法，经高级特征提取和特征融合之后的处理特征能够提高比赛态势评估和预测模型的准确性和可靠性。
基于上述任一实施例，将追踪数据的第一特征与原始特征进行融合，得到追踪数据的处理特征，具体包括：
对追踪数据的原始特征进行特征筛选，得到追踪数据的第二特征；
将追踪数据的第一特征与第二特征进行融合，得到追踪数据的处理特征。
具体地，考虑到追踪数据的原始特征较多，涉及的参数也较多，为了进一步提高模型的计算效率，在将追踪数据的第一特征与原始特征进行融合之前，还可进一步对原始特征进行特征筛选，筛掉与比赛态势预测关系甚若的特征，得到追踪数据第二特征，筛选得到的第二特征即与比赛态势评估和预测的关系较强的特征。
优选的，经筛选后追踪数据的第二特征包括：双方全部球员的位置和速度、球的位置和速度、球场坐标、比赛场次、剩余时间、控球球员的位置和控球球队。
得到第二特征之后，即可将追踪数据的第二特征与第一特征进行融合，具体融合方式可以是特征拼接，最后得到追踪数据的处理特征。由此得到的处理特征可包括第一特征和第二特征。
本发明实施例提供的方法，通过特征筛选，保留与比赛态势预测关系较强的第二特征，并应用第二特征与第一特征融合后的处理特征进行模型计算，保证了模型计算准确性的同时提高了模型计算的效率。
基于上述任一实施例，样本追踪数据对应的标签基于如下步骤确定：
基于各个样本追踪数据对应的时间戳和所属控球权，将各个样本追踪数据划分为各个控球序列；
基于各个控球序列对应的控球结果，对各个控球序列包含的各个样本追踪数据进行标签标注，得到各个样本追踪数据对应的标签。
具体地，首先将全部样本追踪数据按照双方球队的控球权和其对应的时间戳，划分为不同控球序列，一个控球序列有多条数据组成，并且属于同一控球序列的各条样本追踪数据的控球权在同一方球队。比如，在开场后1-3分钟之内，控球权在主场球队，则该1-3分钟之内的各条样本追踪数据可划分为一个控球序列；3-5分钟控球权在客场球队，则该3-5分钟之内的各条样本追踪数据可划分为另一个控球序列。
控球序列对应的控球结果即该控球序列结束时的比赛态势，通常可分为三种情况：自己进球、对方进球、均无进球。因此本发明实施例可将比赛态势预测定义为一个有监督的分类任务，此监督分类任务定义为三分类，标签可分为1、0、-1这三类，当然也可以用其他的数值表示，只要能够表征自己进球、对方进球、均无进球的意思即可，本发明实施例对此不作具体限定。
以各样本追踪数据对应的标签为1、0、-1为例，当一个控球序列的结束为自己进球，则此控球序列中对应的各个样本追踪数据对应的标签为1；若控球序列结束为均无进球，此控球序列中对应的各个样本追踪数据对应的标签为0；若为对方进球，则此控球序列中对应的各个样本追踪数据对应的标签为-1。
需要特别指出的是，1、0、-1这三类标签称作硬标签（hard label），在模型训练时可转化为0、1、2这三类软标签（soft label），即把-1转化为2。
本发明实施例提供的方法，通过样本追踪数据对应的时刻和控球权划分控球序列，并基于各个控球序列对应的控球结果，确定样本追踪数据对应的标签，为模型训练提供了数据基础。
基于上述任一实施例，得到各个样本追踪数据对应的标签，之后还包括：
基于样本追踪数据对应的标签，确定各个标签类别所包含的样本追踪数据的数量；
基于各个标签类别所包含的样本追踪数据的数量，计算每一标签类别对应的样本追踪数据的权重。
具体地，考虑到针对足球比赛的实际情况，标签为1和2对应的样本追踪数据的数量较少，而标签为0对应的样本追踪数据的数量较多，引起样本数据不均衡的问题，从而导致模型预测准确性降低。
因此，可根据各个样本追踪数据对应的标签，确定各个样本追踪数据的权重。针对可能出现的样本不均衡问题，可将数量少的样本的权重设置较大的值，将数量多的样本的权重设置较小的值，由此可提高模型预测的准确性。
基于上述任一实施例，追踪数据的原始特征包括：
全部球员的位置、速度、移动方向、疲劳值、所属队伍、角色、是否犯规；
球的位置、速度、旋转角度、控球球员的位置和控球球队；
球场坐标、比赛场次、当前得分和剩余时间。
具体地，足球比赛的基础数据包含事件数据和追踪数据两类。其中事件数据记录了一场比赛中每个重要事件，尤其指传球、截断、犯规、射门等事件，同时包含了事件发生的时间和位置、结束的时间及位置、相关球员等信息。追踪数据记录了比赛进程中全部22名球员及球时时刻刻地位置、速度等信息。
本发明实施例提供的方法中，追踪数据的原始特征可包括：全部球员的位置、速度、移动方向、疲劳值、所属队伍、角色、是否犯规；球的位置、速度、旋转角度、控球球员的位置和控球球队；球场坐标、比赛场次、当前得分和剩余时间。
基于上述任一实施例，图2是本发明提供的足球比赛态势评估和预测方法的流程示意图之二，如图2所示，该方法包括：
S1，采集历史足球比赛中各个样本追踪数据，获取各个样本追踪数据的原始特征。
S2，打标签处理：基于各个样本追踪数据对应的时间戳和所属控球权，将样本追踪数据划分为各个控球序列；基于各个控球序列对应的控球结果，确定样本追踪数据对应的标签。其中，1、0、-1分别为各个样本追踪数据对应的标签。
S3，特征工程处理：对各个样本追踪数据的原始特征进行特征提取，得到各个样本追踪数据的第一特征；对各个样本追踪数据的原始特征进行特征筛选，得到各个样本追踪数据的第二特征；将各个样本追踪数据的第一特征与第二特征进行融合，得到各个样本追踪数据的处理特征。
其中，各个样本追踪数据的原始特征包括：全部球员的位置、速度、移动方向、疲劳值、所属队伍、角色和是否犯规；球的位置、速度、旋转角度、控球球员的位置和控球球队；球场坐标、比赛场次、当前得分和剩余时间。
各个样本追踪数据的第一特征包括：每一场比赛进球的平均位置、以及控球球员与球的距离、双方球队离球距离最近的三名球员（其中可能包含控球球员）。
各个样本追踪数据的第二特征包括：球员的位置和速度、球的位置和速度、球场坐标、比赛场次、剩余时间、控球球员的位置和控球球队。
需要说明的是，步骤S2和S3可以同时进行，也可以按顺序进行，且不限定两者的执行顺序。
S4，将包含处理特征的各个样本追踪数据按比例划分为训练集、验证集、测试集。
可以理解的是，打标签和特征工程处理过的数据仍具有较强的时序性，此时进行模型训练容易产生泄露（指提前告诉了模型数据的分布和走向），因此需要将数据随机打乱后再进行划分，分为训练集、验证集、测试集。划分比例可依据所获取的数据量和经验值确定，例如训练集、验证集和测试集的划分比例可以是7:2:1。
S5，训练集的数据用于模型的训练，验证集的数据辅助训练方式模型过拟合。当模型收敛后，使用测试集的数据对模型进行准确率和召回率的测试，根据准确率和召回率的结果调整模型参数的设置，重新训练模型并测试，直至达到较高的准确率和召回率，并将训练好的模型储存，其中，模型可设计为深度神经网络或者决策树模型。训练好的模型即比赛态势评估和预测模型。
S6，将所训练的模型对足球比赛进行态势评估与预测。
所进行的测试均在测试集或除训练和验证集之外的数据集上进行。针对需要进行评估和预测的比赛时刻，根据其在数据集中的索引，在数据集中找到对应的样本，输入训练好的模型中，得到态势评估的计算所结果，并将此样本可视化，辅助教练员或球员进行战术分析。
下面对本发明提供的足球比赛态势评估和预测装置进行描述，下文描述的足球比赛态势评估和预测装置与上文描述的足球比赛态势评估和预测方法可相互对应参照。
图3是本发明提供的足球比赛态势评估和预测装置的结构示意图，如图3所示，足球比赛态势评估和预测装置包括数据获取单元310、特征处理单元320和态势预测单元330，其中，
数据获取单元310，用于获取比赛中任一时刻的追踪数据的原始特征；
特征处理单元320，用于对所述追踪数据的原始特征进行特征工程处理，得到所述追踪数据的处理特征；
态势预测单元330，用于将所述追踪数据的处理特征输入至比赛态势评估和预测模型，得到所述比赛态势评估和预测模型输出的在所述任一时刻下的评估和预测结果；所述评估和预测结果包括控球方进球、非控球方进球和双方均无进球分别对应的概率；所述评估和预测结果用于辅助分析人员进行足球战术分析；
其中，所述比赛态势评估和预测模型是基于样本追踪数据的处理特征，以及所述样本追踪数据对应的标签训练得到的；所述样本追踪数据对应的标签是基于所述样本追踪数据对应的时间戳和所属控球权确定的。
本发明实施例提供的装置，通过对比赛中任一时刻的追踪数据的原始特征进行特征工程处理，得到追踪数据的处理特征；基于比赛态势评估和预测模型，应用处理特征对该时刻下双方球队的比赛态势进行预测。相比于现有技术中仅评估与球接触的球员，该装置有效利用了球场区域内所有球员和球的追踪数据，实现了从全局的视角进行综合性态势评估，同时应用特征工程处理之后的处理特征，能够进一步提高比赛态势预测的准确性。此外，比赛态势评估与预测的结果可辅助分析人员进行战术分析。
基于上述任一实施例，特征处理单元320进一步用于：
对所述追踪数据的原始特征进行特征提取，得到所述追踪数据的第一特征；
将所述追踪数据的第一特征与所述原始特征进行融合，得到所述追踪数据的处理特征。
基于上述任一实施例，所述追踪数据的第一特征包括：
每一场比赛进球的平均位置、控球球员与球的距离、双方球队离球距离最近的三名球员的位置。
基于上述任一实施例，特征处理单元320进一步用于：
对所述追踪数据的原始特征进行特征筛选，得到所述追踪数据的第二特征；
将所述追踪数据的第一特征与所述第二特征进行融合，得到所述追踪数据的处理特征。
基于上述任一实施例，所述追踪数据的第二特征包括：
双方全部球员的位置和速度、球的位置和速度、球场坐标、比赛场次、剩余时间、控球球员的位置和控球球队。
基于上述任一实施例，还包括标签标注单元，用于：
基于各个样本追踪数据对应的时间戳和所属控球权，将所述各个样本追踪数据划分为各个控球序列；
基于所述各个控球序列对应的控球结果，对所述各个控球序列包含的各个样本追踪数据进行标签标注，得到所述各个样本追踪数据对应的标签。
基于上述任一实施例，还包括权重确定单元，用于：
基于所述样本追踪数据对应的标签，确定各个标签类别所包含的样本追踪数据的数量；
基于所述各个标签类别所包含的样本追踪数据的数量，计算每一标签类别对应的样本追踪数据的权重。
基于上述任一实施例，所述追踪数据的原始特征包括：
全部球员的位置、速度、移动方向、疲劳值、所属队伍、角色和是否犯规；
球的位置、速度、旋转角度、控球球员的位置和控球球队；
球场坐标、比赛场次、当前得分和剩余时间。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器（processor）410、通信接口（Communications Interface）420、存储器（memory）430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行足球比赛态势评估和预测方法，该方法包括：
获取比赛中任一时刻的追踪数据的原始特征；
对所述追踪数据的原始特征进行特征工程处理，得到所述追踪数据的处理特征；
将所述追踪数据的处理特征输入至比赛态势评估和预测模型，得到所述比赛态势评估和预测模型输出的在所述任一时刻下的评估和预测结果；所述评估和预测结果包括控球方进球、非控球方进球和双方均无进球分别对应的概率；所述评估和预测结果用于辅助分析人员进行足球战术分析。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的足球比赛态势评估和预测方法，该方法包括：
获取比赛中任一时刻的追踪数据的原始特征；
对所述追踪数据的原始特征进行特征工程处理，得到所述追踪数据的处理特征；
将所述追踪数据的处理特征输入至比赛态势评估和预测模型，得到所述比赛态势评估和预测模型输出的在所述任一时刻下的评估和预测结果；所述评估和预测结果包括控球方进球、非控球方进球和双方均无进球分别对应的概率；所述评估和预测结果用于辅助分析人员进行足球战术分析。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的足球比赛态势评估和预测方法，该方法包括：
获取比赛中任一时刻的追踪数据的原始特征；
对所述追踪数据的原始特征进行特征工程处理，得到所述追踪数据的处理特征；
将所述追踪数据的处理特征输入至比赛态势评估和预测模型，得到所述比赛态势评估和预测模型输出的在所述任一时刻下的评估和预测结果；所述评估和预测结果包括控球方进球、非控球方进球和双方均无进球分别对应的概率；所述评估和预测结果用于辅助分析人员进行足球战术分析。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种足球比赛态势评估和预测方法，其特征在于，包括：
获取比赛中任一时刻的追踪数据的原始特征，所述追踪数据包括比赛进程中足球和双方全部球员的追踪数据；
对所述追踪数据的原始特征进行特征工程处理，得到所述追踪数据的处理特征，所述处理特征至少包括：每一场比赛进球的平均位置、控球球员与球的距离、双方球队离球距离最近的三名球员的位置、双方全部球员的位置和速度、球的位置和速度、球场坐标、比赛场次、剩余时间、控球球员的位置和控球球队；
将所述追踪数据的处理特征输入至比赛态势评估和预测模型，得到所述比赛态势评估和预测模型输出的在所述任一时刻下的评估和预测结果；所述评估和预测结果包括控球方进球、非控球方进球和双方均无进球分别对应的概率；所述评估和预测结果用于辅助分析人员进行足球战术分析；
其中，所述比赛态势评估和预测模型是基于样本追踪数据的处理特征，以及所述样本追踪数据对应的标签训练得到的；所述样本追踪数据对应的标签是基于所述样本追踪数据对应的时间戳和所属控球权确定的；
所述样本追踪数据对应的标签基于如下步骤确定：
基于各个样本追踪数据对应的时间戳和所属控球权，将所述各个样本追踪数据划分为各个控球序列；任一控球序列中包含的所有样本追踪数据的所属控球权相同；
基于所述各个控球序列对应的控球结果，对所述各个控球序列包含的各个样本追踪数据进行标签标注，得到所述各个样本追踪数据对应的标签。
2.根据权利要求1所述的足球比赛态势评估和预测方法，其特征在于，所述对所述追踪数据的原始特征进行特征工程处理，得到所述追踪数据的处理特征，具体包括：
对所述追踪数据的原始特征进行特征提取，得到所述追踪数据的第一特征；
将所述追踪数据的第一特征与所述原始特征进行融合，得到所述追踪数据的处理特征。
3.根据权利要求2所述的足球比赛态势评估和预测方法，其特征在于，所述追踪数据的第一特征包括：
每一场比赛进球的平均位置、控球球员与球的距离和双方球队离球距离最近的三名球员的位置。
4.根据权利要求2所述的足球比赛态势评估和预测方法，其特征在于，所述将所述追踪数据的第一特征与所述原始特征进行融合，得到所述追踪数据的处理特征，具体包括：
对所述追踪数据的原始特征进行特征筛选，得到所述追踪数据的第二特征；
将所述追踪数据的第一特征与所述第二特征进行融合，得到所述追踪数据的处理特征。
5.根据权利要求4所述的足球比赛态势评估和预测方法，其特征在于，所述追踪数据的第二特征包括：
双方全部球员的位置和速度、球的位置和速度、球场坐标、比赛场次、剩余时间、控球球员的位置和控球球队。
6.根据权利要求1所述的足球比赛态势评估和预测方法，其特征在于，所述得到所述各个样本追踪数据对应的标签，之后还包括：
基于所述样本追踪数据对应的标签，确定各个标签类别所包含的样本追踪数据的数量；
基于所述各个标签类别所包含的样本追踪数据的数量，计算每一标签类别对应的样本追踪数据的权重。
7.根据权利要求1-6中任一项所述的足球比赛态势评估和预测方法，其特征在于，所述追踪数据的原始特征包括：
全部球员的位置、速度、移动方向、疲劳值、所属队伍、角色和是否犯规；
球的位置、速度、旋转角度、控球球员的位置和控球球队；
球场坐标、比赛场次、当前得分和剩余时间。
8.一种足球比赛态势评估和预测装置，其特征在于，包括：
数据获取单元，用于获取比赛中任一时刻的追踪数据的原始特征，所述追踪数据包括比赛进程中足球和双方全部球员的追踪数据；
特征处理单元，用于对所述追踪数据的原始特征进行特征工程处理，得到所述追踪数据的处理特征，所述处理特征至少包括：每一场比赛进球的平均位置、控球球员与球的距离、双方球队离球距离最近的三名球员的位置、双方全部球员的位置和速度、球的位置和速度、球场坐标、比赛场次、剩余时间、控球球员的位置和控球球队；
态势预测单元，用于将所述追踪数据的处理特征输入至比赛态势评估和预测模型，得到所述比赛态势评估和预测模型输出的在所述任一时刻下的评估和预测结果；所述评估和预测结果包括控球方进球、非控球方进球和双方均无进球分别对应的概率；所述评估和预测结果用于辅助分析人员进行足球战术分析；
其中，所述比赛态势评估和预测模型是基于样本追踪数据的处理特征，以及所述样本追踪数据对应的标签训练得到的；所述样本追踪数据对应的标签是基于所述样本追踪数据对应的时间戳和所属控球权确定的；
所述样本追踪数据对应的标签基于如下步骤确定：
基于各个样本追踪数据对应的时间戳和所属控球权，将所述各个样本追踪数据划分为各个控球序列；任一控球序列中包含的所有样本追踪数据的所属控球权相同；
基于所述各个控球序列对应的控球结果，对所述各个控球序列包含的各个样本追踪数据进行标签标注，得到所述各个样本追踪数据对应的标签。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述足球比赛态势评估和预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211270644.3A CN115346161B (zh) | 2022-10-18 | 2022-10-18 | 足球比赛态势评估和预测方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211270644.3A CN115346161B (zh) | 2022-10-18 | 2022-10-18 | 足球比赛态势评估和预测方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115346161A CN115346161A (zh) | 2022-11-15 |
| CN115346161B true CN115346161B (zh) | 2023-01-03 |
Family
ID=83957375
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211270644.3A Active CN115346161B (zh) | 2022-10-18 | 2022-10-18 | 足球比赛态势评估和预测方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115346161B (zh) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11006160B2 (en) * | 2015-08-24 | 2021-05-11 | Microsoft Technology Licensing, Llc | Event prediction enhancements |
| 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 |
| EP4100895A4 (en) * | 2020-02-05 | 2024-02-28 | Stats Llc | GENERATION OF ROLES IN SPORTS THROUGH UNSUPERVISED LEARNING |
| CN112766546B (zh) * | 2021-01-05 | 2022-04-26 | 上海大学 | 一种基于机器学习的足球比赛胜负实时预测方法 |
| CN114566280A (zh) * | 2022-03-02 | 2022-05-31 | 深圳大学 | 用户状态预测方法、装置、电子设备及存储介质 |
-
2022
- 2022-10-18 CN CN202211270644.3A patent/CN115346161B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115346161A (zh) | 2022-11-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11458399B2 (en) | Systems and methods for automatically measuring a video game difficulty | |
| Spearman et al. | Physics-based modeling of pass probabilities in soccer | |
| Pfeiffer et al. | Analysis of tactical structures in team handball by means of artificial neural networks | |
| CN110489340B (zh) | 一种游戏地图平衡性测试方法、装置、设备及存储介质 | |
| Lorains et al. | Performance analysis for decision making in team sports | |
| US11126539B2 (en) | Data processing system and method | |
| US20230330485A1 (en) | Personalizing Prediction of Performance using Data and Body-Pose for Analysis of Sporting Performance | |
| Abreu et al. | Using multivariate adaptive regression splines in the construction of simulated soccer team’s behavior models | |
| Chen et al. | Modeling individual differences through frequent pattern mining on role-playing game actions | |
| Davis et al. | Evaluating sports analytics models: Challenges, approaches, and lessons learned | |
| Hosp et al. | Expertise classification of soccer goalkeepers in highly dynamic decision tasks: a deep learning approach for temporal and spatial feature recognition of fixation image patch sequences | |
| CN115346161B (zh) | 足球比赛态势评估和预测方法、装置和电子设备 | |
| Pu et al. | Orientation and decision-making for soccer based on sports analytics and AI: A systematic review | |
| US20220339538A1 (en) | System and Method for Individual Player and Team Simulation | |
| Cho et al. | Investigation of the effect of “fog of war” in the prediction of starcraft strategy using machine learning | |
| Schrapf et al. | An Artificial Neural Network Predicts Setter's Setting Behavior in Volleyball Similar or Better than Experts | |
| Le Naour et al. | Human-avatar interaction in virtual environment to assess and train sensorimotor: application to the slap shot in hockey | |
| Satrapová et al. | Virtual Reality as A Training Tool for the Development of Ice Hockey Thinking | |
| Spencer et al. | Using contextual player movement and spatial control to analyse player passing trends in football | |
| Tilp | Modelling in the analysis of tactical behavior in team handball | |
| CN113988317B (zh) | 一种针对球场运动球员的动态策略优化方法及装置 | |
| Subasingha et al. | Novel method for cricket match outcome prediction using data mining techniques | |
| CN113902770B (zh) | 传球优势区域确定方法及装置 | |
| Clemente et al. | Observational tools to collect data in team sports | |
| Malikov et al. | The Application of Machine Learning on the Injury Prediction of Soccer Players |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |