CN115867952A - 人工智能和机器学习增强的概率预测方法、系统和设备 - Google Patents

Abstract

实施例包括利用人工智能和/或机器学习，基于特定球队、球员、赛事的历史得分数据或其他相关数据，生成体育分析。机器学习可以应用于历史数据，以提高预测概率。概率模块可以提前实时分析赛事结果和可用参数之间的相关性，以给出准确和最新的概率。

Description

人工智能和机器学习增强的概率预测方法、系统和设备

交叉引用

本申请要求于2020年10月26日提交的、序列号为17/079,849的美国专利申请以及于2020年1月9日提交的、序列号为62/958,802的美国临时专利申请的优先权，所述申请的全部内容通过引用并入本文。

技术领域

实施例总体上涉及体育预测和人工智能。

背景技术

人们习惯在比赛和其他体育赛事上作出预测。然而，由于作出预测的复杂性，用户通常很难在比赛结果或分数之外的某些方面作出预测。另一个问题是，允许用户对比赛赛事作出预测的程序目前还无法准确计算下一个比赛赛事的概率。还一个问题是，不准确的概率会导致进行预测时产生的不公平性，对用户留存有负面影响。

发明内容

一种用于生成概率的方法、系统和设备，例如，用于对比赛作出预测，该概率可以使用机器学习和/或人工智能来生成或调整。一个实施例包括一种用于生成和调整概率的方法，包括：实时接收实况赛事(live event)的统计信息；将该实况赛事中的行为(action)结果存储在历史行为数据库中；筛选历史行为数据库中与实况赛事中即将发生的行为相匹配的情境数据相关的数据；对与该实况赛事中即将发生的行为相匹配的情境数据相关的类似历史数据进行关联；确定该相似历史数据的相关数据和与该实况赛事中即将发生的行为相匹配的数据之间的差异；将差异与推荐数据库进行对比；并根据推荐数据库调整预测概率。

在另一个实施例中，可以提供一种用于在实况赛事期间提供概率调整的计算机实现的方法。该方法可以包括用处理器执行步骤：显示体育预测平台；显示可以作出预测的实况赛事；显示远期比赛(future play)的一个或多个预测的调整的概率，该调整后的概率基于实况赛事中的情境数据和历史数据的对比；并显示对调整后的概率的一项或多项预测。

另一个实施例包括一种用于实时调整实况赛事中的行为的概率的系统，包括：实况赛事数据库，其接收从实况赛事收集的数据；历史行为数据库，其存储从一个或多个先前赛事和一个或多个先前行为中的至少一个收集的数据；概率模块，其确定实况赛事数据库中的数据和历史行为数据库中的数据之间的相关性，将所确定的相关性的差异与推荐数据库进行比较，并基于所确定的相关性与所述推荐数据库的比较来调整预测概率；调整数据库；以及显示器，其显示调整后的预测概率。

附图说明

附图示出了系统、方法的各种实施例以及实施例的各种其他方面的实施例。本领域的任何普通技术人员都可以理解，图中所示的元件边界(例如，框、框组或其他形状)代表了边界的一个示例。可以理解，在一些示例中，一个元件可以设计为多个元件，或者多个元件可以设计为一个元件。在一些示例中，显示为一个元件的内部的组件的元件可以实现为另一个元件的外部组件，反之亦然。此外，元件可能未按比例绘制。参照以下附图提供了非限制性和非详尽的描述。图中的组件不一定按比例绘制，而是强调说明原理。

图1示出了根据实施例的基于人工智能的实况赛事预测系统。

图2示出了根据实施例的实况赛事模块。

图3示出了根据实施例的实况赛事数据库。

图4示出了根据实施例的基础模块。

图5示出了根据实施例的概率模块。

图6示出了根据实施例的预测模块。

图7示出了根据实施例的历史行为数据库。

图8示出了根据实施例的推荐数据库。

图9示出了根据实施例的预测数据库。

图10示出了根据实施例的调整数据库。

图11A示出了根据实施例的概率模块的示例。

图11B示出了根据实施例的概率模块的示例。

图12A示出了根据实施例的概率模块的另一个示例。

图12B示出了根据实施例的概率模块的另一个示例。

具体实施方式

在针对本发明的具体实施例的以下描述和相关附图中，公开了本发明的各方面。本领域普通技术人员将认识到，在不脱离权利要求的精神或范围的情况下，可以设计替代实施例。此外，在本发明示例性实施例中，公知的元素将不进行详细描述，或将被省略，以免混淆本发明的相关细节。

如本文所用，“示例性”一词意味着用作示例、实例或示意。本文描述的实施例不是限制性的，而仅仅是示例性的。应当理解，所描述的实施例不必被解释为好于或优于其他实施例。此外，术语“本发明的实施例”、“实施例”或“发明”并不要求本发明的所有实施例都包括所讨论的特征、优点或操作模式。

此外，本文描述的许多实施例是根据将由例如计算设备的元件执行的行为序列来描述的。本领域技术人员应当认识到，本文描述的各种行为序列可以由特定电路(例如，专用集成电路(application specific integrated circuit，ASIC))和/或由至少一个处理器执行的程序指令来执行。此外，本文描述的行为序列可以完全体现在任何形式的计算机可读存储介质中，这样，行为序列的执行使得处理器能够执行本文描述的功能。因此，本发明的各个方面可以以多种不同的形式体现，所有形式都被认为在要求保护的主题的范围内。此外，对于本文描述的每个实施例，任何此类实施例的相应形式在本文中可以被描述为，例如，被用于执行所描述的预测的计算机。

关于实施例，提供了本文使用的术语的概要。

“行为(action)”是指体育赛事中的特定行动或特定动作。例如，行为可以确定参赛运动员。在一些实施例中，行为可以是由体育赛事的参与者进行的投掷、射门、传球、挥杆、踢球、击球。在一些实施例中，行为可以是体育赛事的参与者(例如运动员、教练、管理者等)做出的战略决策。在一些实施例中，行为可以是在体育赛事中发生的处罚、犯规或违规行为。在一些实施例中，行为可以包括体育赛事的参与者。在一些实施例中，行为可以包括体育赛事的开始事件，例如开场提示、掷硬币、开场球、国歌歌手等。在一些实施例中，体育赛事可以是橄榄球、曲棍球、篮球、棒球、高尔夫、网球、足球、板球、英式橄榄球、MMA、拳击、游泳、滑雪、单板滑雪、赛马、赛车、赛艇、自行车、摔跤、奥林匹克比赛、电子竞技等。行为可以以多种方式整合到实施例中。

数字游戏是指可以由人类用户控制或操纵以用于娱乐目的的任何类型的电子环境。一种系统使人和计算机能够根据一组隐式和显式规则，在电子驱动的领域中进行交互，以达到娱乐或指导的目的。“电子竞技”是指一种使用视频游戏的体育竞赛形式，或者是一种为观众而进行的多人视频游戏，通常由职业游戏玩家进行。数字游戏和“电子竞技”可以以多种方式整合到实施例中。

“赛事”一词是指比赛、运动、竞赛或赛事的一种形式，尤其是按照规则进行并由技巧、力量或运气决定的比赛。在一些实施例中，赛事可以是橄榄球、曲棍球、篮球、棒球、高尔夫、网球、英式足球、板球、英式橄榄球、MMA、拳击、游泳、滑雪、单板滑雪、赛马、赛车、赛艇、自行车、摔跤、奥林匹克运动等。赛事可以以多种方式整合到实施例中。

“总分”是比赛期间两队得分或进球的总和，包括加时赛。“超过”指的是一种体育预测，其中，玩家预测两个球队的总积分将超过一个特定的总数。“低于”是指预测两个球队的总积分低于某个数字。“总分”、“超过”和“低于”可以以多种方式整合到实施例中。

“指定投手”是特定于棒球的预测，只有当预定开始比赛的两个投手都实际开始时才预测。如果他们不开始，则该预测被视为“无输赢比赛”并取消。“指定投手”和“无输赢比赛”可以以多种方式整合到实施例中。

客户是公司、组织或个人，将部署实施例中的各种系统元件或方法步骤，并且可以是执行这些系统元件或方法步骤的一部分。

托管服务用户界面服务可以帮助客户进行(1)管理第三方，(2)开发网络，(3)进行数据分析，(4)通过应用程序界面连接，以及(5)跟踪和报告玩家行为。托管服务用户界面可以以多种方式整合到实施例中。

托管服务概率管理服务可以帮助客户进行(1)VIP管理，(2)商业情报，以及(3)汇报。这些托管服务概率管理服务可以以多种方式整合到实施例中。

托管服务合规服务可以帮助客户管理(1)诚信监控，(2)比赛安全，以及(3)客户服务协助。这些托管服务合规服务可以以多种方式整合到实施例中。

托管服务交易服务帮助客户：(1)官方数据馈送，(2)数据可视化，以及(3)基于土地的物业数字标牌。这些托管服务交易服务可以以多种方式整合到实施例中。

托管服务和技术平台帮助客户：(1)网络托管，(2)IT支持，以及(3)玩家平台支持。这些托管服务和技术平台服务可以以多种方式整合到实施例中。

“定制预测”允许客户通过对玩家行为的复杂跟踪和分析来定制个性化的预测体验。“定制预测”可以多种方式整合到实施例中。

售货亭是为零售和在线体育比赛提供广泛的模块化解决方案，为客户和用户提供互动的一种设备。售货亭可以以多种方式整合到实施例中。

商业应用程序是一套集成的工具，供客户管理推动销售、利润和增长的日常活动，从创建和提供可操作的绩效见解到帮助客户管理体育游戏。商业应用程序可以以多种方式整合到实施例中。

比赛配置器允许配置客户运营商，以便有机会对比赛应用各种选择的或新创建的业务规则，以及参数化比赛管理。比赛配置器可以以多种方式整合到实施例中。

“梦幻运动连接器”是实施例中方法步骤或系统元件之间的软件连接器，可以整合梦幻运动。梦幻运动是一种比赛，参与者从联赛中的球员中选择虚构的球队，并根据球员的实际表现得分。例如，如果梦幻运动中的玩家正在参加给定的实时体育赛事，那么该玩家的实时体育赛事中的概率可能会改变。

软件即服务(Software as a service，SaaS)，是一种软件交付和许可方法，其中，软件是通过订阅在线访问，而不是通过购买再安装在个人计算机上。软件即服务可以以多种方式整合到实施例中。

屏幕同步意味着在电视和移动设备、PC和可穿戴设备等设备之间同步预测和结果。屏幕同步可以以多种方式整合到实施例中。

自动内容识别(Automatic content recognition，ACR)是一种识别技术，用于识别在媒体设备上播放的内容或媒体文件中存在的内容。包含ACR支持的设备使用户无需任何基于用户的输入或搜索工作，即可快速获取有关他们看到的内容的附加信息。要开始识别，选择一个简短的媒体剪辑(音频、视频，或两者)。该剪辑可以从媒体文件中选择或由设备记录。通过例如指纹算法，获取来自实际感知内容的信息，并将其与参考指纹的数据库进行比较，每个参考指纹对应于一个已知的记录作品。数据库可能包含有关作品的元数据和相关信息，包括补充媒体。如果媒体剪辑的指纹匹配，则识别软件将相应的元数据返回给客户端应用程序。例如，在正在进行的体育比赛中，可以识别“失球”，并且在赛事的时间戳处，可以显示诸如“失球”之类的元数据。ACR可以以多种方式整合到实施例中。

加入社交媒体意味着将正在进行的体育比赛预测或结果连接到社交媒体连接，例如脸书聊天互动。加入社交媒体可以以多种方式整合到实施例中。

增强现实是指将计算机生成的图像叠加到用户的真实世界视图上，从而提供合成视图的技术。在本发明的示例中，可以看到比赛的实时视图，并且“预测”是计算机生成的数据点，放置在被预测的玩家的上方。增强现实可以以多种方式整合到实施例中。

现在将详细讨论示出本公开各特征的一些实施例。可以理解，实施例是开放式的，即在实施例中使用的一个或多个项目，并不意味着这些一个或多个项目是详尽列表，也不意味着仅限于列出的一个或多个项目。

可以注意到，如本文和所附权利要求中使用的，单数形式“一”、“一个”和“该”也包括复指，除非上下文另有明确规定。尽管可以在实施例的实践或测试中使用与本文描述的那些相似或等效的任何系统和方法，但是现在仅描述一些示例性系统和方法。

图1是一种系统，其基于人工智能的实况比赛预测系统。该系统包括实况赛事102，例如足球比赛、篮球比赛、棒球比赛、曲棍球比赛、网球比赛、高尔夫锦标赛等体育赛事。实况赛事将包括一些行为或比赛，用户或客户可以在这些行为或比赛上作出预测。用户可以进行预测的类型有很多种，包括，但不限于，直接预测、让分预测或用户的团队需要补的积分(line)，如果比赛的结果与用户的让分相同，用户将不会补分差，而是将平手称为平局等。如果用户对热门球队作出预测，就相当于给对方球队让分，对方球队是冷门球队或弱势的一方。还有其他类型的预测，包括过关预测、甜头预测和道具预测，这些是附加比赛，通常允许用户通过更改在预测中收到的概率来定制自己的预测。用户可以进行的另一种类型的预测是大于/小于，其中，用户为实况赛事的预测大于或小于总分，例如橄榄球的比分或棒球中的让分预测，或实况赛事中的一系列行为。在某些情况下，例如重要球员受伤，例如指定的投手，进行的预测可能被取消。一些预测可能是比赛的一部分，例如上半场预测和下半场预测。此外，一些预测可能是实况赛事在未来的远期预测。此外，实况行为输入模块104接收关于比赛或赛事中的每个单独行为的数据，并将数据存储在实况赛事数据库106中，该数据被发送到预测网络的基础模块124。在一些实施例中，行为可以是体育赛事中的特定玩法或特定事件。在一些实施例中，行为可以是由体育赛事的参与者执行的投掷、射门、传球、挥杆、踢球、击球。在一些实施例中，行为可以是体育赛事的参与者(例如运动员、教练、管理者等)做出的战略决策。在一些实施例中，行为可以是在体育赛事中发生的处罚、犯规或违规类型。在一些实施例中，行为可以包括体育赛事的参与者。在一些实施例中，行为可以包括体育赛事的开始事件，例如开场提示、掷硬币、开场球、国歌长度等。在一些实施例中，体育赛事可以是足球、曲棍球、篮球、棒球、高尔夫、网球、橄榄球、板球、英式橄榄球、MMA、拳击、游泳、滑雪、单板滑雪、赛马、赛车、赛艇、自行车、摔跤、奥林匹克运动等。可以提供实况赛事数据库106，其存储由实况赛事模块104收集的数据，例如刚刚发生的行为的结果，以及用于下一个即将发生的行为的情境数据。云108或通信网络可以是有线网络和/或无线网络。通信网络(如果是无线网络)可以使用以下通信技术来实现：例如可见光通信(visible lightcommunication，VLC)、全球微波接入互操作性(worldwide interoperability formicrowave access，WiMAX)、长期演进(long term evolution，LTE)、无线局域网(wirelesslocal area network，WLAN)、红外(infrared，IR)通信、公共交换电话网络(publicswitched telephone network，PSTN)、无线电波，以及所需的其他通信技术。在步骤108，通信网络可以允许对可配置系统资源和较高级服务的共享池进行无处不在的访问，这些资源和服务通常通过互联网以最小的管理工作来快速供应，并且依赖于资源共享来实现一致性和规模经济，像公共事业一样，而第三方云使得组织能够专注于他们的核心业务，而不是将资源花费在计算机基础设施和维护上。实况赛事数据API 110将来自实况赛事的数据递送到预测网络122。用户设备API 112在预测网络和用户设备114之间递送数据。用户设备114可以连接到云或互联网108并运行比赛应用程序116。

用户设备114可以是计算设备、膝上型电脑、智能手机、平板电脑、计算机、智能扬声器或I/O设备。I/O设备可以存在于计算设备中。输入设备可以包括键盘、鼠标、跟踪板、轨迹球、触控板、触控鼠标、多点触控触控板和触控鼠标、麦克风、多阵列麦克风、绘图板、相机、单反相机(single-lens reflex camera，SLR)、数码单反相机(digital SLR，DSLR)、CMOS传感器、加速度计、红外光学传感器、压力传感器、磁力计传感器、角速率传感器、深度传感器、接近传感器、环境光传感器、陀螺仪传感器或其他传感器。输出设备可以包括视频显示器、图形显示器、扬声器、耳机、喷墨打印机、激光打印机和3D打印机。设备可以包括多个输入或输出设备的组合，包括，例如微软KINECT、任天堂Wiimote for the WIT、任天堂WII U GAMEPAD或苹果IPHONE。一些设备通过组合一些输入和输出来允许手势识别输入。一些设备提供面部识别，可用作不同目的的输入，包括身份验证和其他命令。一些设备提供语音识别和输入，包括例如微软KINECT、苹果IPHONE的SIRI、Google Now或谷歌语音搜索。

附加设备具有输入和输出两种能力，包括，例如触觉反馈设备、触摸屏显示器或多点触控显示器。触摸屏、多点触摸显示器、触摸板、触摸鼠标或其他触摸感应设备可以使用不同的技术来感应触摸，包括例如电容式、表面电容式、投射电容式触摸(projectedcapacitive touch，PCT)、内嵌电容式、电阻式、红外线、波导、色散信号触摸(dispersivesignal touch，DST)、内嵌光学、表面声波(surface acoustic wave，SAW)、弯曲波触摸(bending wave touch，BWT)或基于力的传感技术。一些多点触控设备可以允许与表面的两个或更多个接触点，从而允许高级功能，包括例如捏、展开、旋转、滚动或其他手势。一些触摸屏设备，例如微软PIXELSENSE或多点触控协作墙可能具有更大的表面，例如桌面或墙壁，并且还可能与其他电子设备交互。一些I/O设备、显示设备或设备组可以是增强现实设备。一些I/O设备、显示设备或设备组可能是增强现实设备。I/O设备可以由I/O控制器控制。I/O控制器可以控制一个或多个I/O设备，例如键盘和定点设备，例如，鼠标或光学笔。此外，I/O设备还可以为计算设备提供存储和/或安装介质。在其他实施例中，计算设备可以提供USB连接(未示出)，以接收手持USB存储设备。在进一步的实施例中，I/O设备可以是系统总线和外部通信总线之间的桥接器，例如通信总线、USB总线、SCSI总线、FireWire总线、以太网总线、千兆以太网总线、光纤通道总线或Thunderbolt总线。用户设备可以利用传感器实现：自动内容识别、增强现实或用户设备界面与其他显示器之间的屏幕同步等。比赛应用程序116可以显示实况比赛的下一个行为的概率，允许用户作出预测，并显示用户的积分。预测GUI118(或称引导用户界面或图形用户界面)可以显示可能的预测选项和每个预测选项的概率，而该概率则决定预测的积分与能够赢得的积分或失去积分的比率，具体取决于预测的结果。界面可以接受用户的输入或向用户提供输出，也可以执行以上两个行为。在一种情况下，用户可以使用一个或多个用户相互作用的对象和设备与界面进行交互。用户交互的对象和设备可能包括用户输入按钮、开关，旋钮、杠杆、钥匙、轨迹球、触摸板、摄像头、麦克风、运动传感器、热传感器、惯性传感器、触摸传感器、触摸传感器、虚拟现实、增强现实、眼睛追踪，或上述组合。此外，界面可以用作命令行界面(command line interface，CLI)、图形用户界面、语音界面或基于Web的用户界面。积分GUI 120或引导用户界面显示了用户在积分数据库中的当前积分额，获胜的预测将增加用户的积分额，而失败的预测将减少用户的积分额。预测网络122提供了基于人工智能的软件模块，该模块将实况赛事的数据与历史行为数据库130中的数据进行对比，以计算实况比赛中下一个行为的概率，从而优化用户的预测量。预测网络122可能位于服务器上，该服务器可能会对比赛类型和比赛或行为的结果进行实时分析。服务器或云108也可以与比赛情境数据同步，例如比赛时间、比分、场上位置、天气条件等，这可能会影响所用比赛的选择。例如，在其他示例性实施例中，服务器不可接收从传感器收集的数据，于是可以改为从诸如体育雷达(Sportradar)的替代数据源来接收数据。该数据可以在任何赛事结束后提供，并且可以将来自该馈送的数据与基于多种元素的各球队数据和联赛数据进行对比，包括进攻、控球、得分、时间、球队等，如本文的各种示例性实施例中所述。在步骤122中，该服务器可以提供许多软件即服务托管服务，例如用户界面服务、概率管理服务、合规、交易服务、技术平台的IT支持、业务应用程序、比赛配置、梦幻运动连接、集成以允许加入社交媒体。基础模块124从实况赛事模块104接收实况赛事数据库106，实况赛事模块104包含关于当前发生的实况赛事102的历史数据和情境数据。基础模块124将历史数据存储在历史行为数据库130中，并将情境数据发送到概率模块126并启动概率模块126。概率模块126使用来自实况赛事102的情境数据来筛选具有一些相同情境数据的先前行为的历史行为数据库130，并对相似行为进行关联，以确定相关性的差异，并将相关性的差异与推荐数据库132进行比较，从而相应地调整预测数据库134中的预测的概率。预测模块128将预测数据库134与调整数据库136进行比较以确定预测ID是否匹配。然后，如果存在匹配，则由预测模块128相应地调整预测的概率。历史行为数据库130存储赛事的所有历史行为。通过使用来自概率模块126的相关数据的差异，推荐数据库132确定预测的概率的适当调整。预测数据库134包含用户可以预测的当前选项。调整数据库存储特定预测所需的预测ID和适当的调整，例如增加5％或减少5％。

图2提供了实况赛事模块104的图示。在步骤200中，该过程开始于在诸如体育赛事的事件中发生的行为。然后，在步骤202中，实况赛事模块104将行为的结果存储在实况赛事数据库中。在步骤204中，实况赛事模块104还将情境数据存储在实况赛事数据库106中，该情境数据是事件中即将发生的行为的信息。然后，在步骤206在，实况赛事模块104将实况赛事数据库106发送到预测网络122基础模块124，并且过程返回到步骤200。

图3提供了实况赛事数据库106的图示，实况赛事数据库106包含关于实况赛事的信息，例如最近行为的结果和即将发生的行为的信息。实况赛事数据库106可以包含结果数据，例如行为ID、进攻球队、进攻球员、赛事的节数或时间段、进攻、距离、和行为的结果，例如传球。在一些实施例中，结果数据可以包含进攻、防守球队或特殊球队、球员或教练的统计信息。实况赛事数据库106还包含实况赛事102中即将发生的行为的情境数据或信息。情境数据可以包括行为ID、进攻球队、进攻球员、赛事的节数或时间段、进攻和距离。在一些实施例中，在步骤300中，实况赛事数据库106可以包含关于防守球队或球员、各个教练、赛事地点、温度、降水量、降水类型、赛事时间、赛事裁判员或官员、每个队的制服颜色的信息。

图4提供了基础模块124的图示。该过程开始于步骤400，基础模块124连续轮询来自实况赛事模块104的实况赛事数据库106。在步骤402中，基础模块124接收实况赛事数据库106。在步骤404中，基础模块124将结果数据或最近行为的结果存储在包含所有先前行为的历史数据的历史行为数据库130中。在步骤406中，从实况赛事数据库106中提取情境数据。在步骤408中，从实况赛事数据库106提取的情境数据被发送到概率模块126。在步骤410中，概率模块126被启动，过程返回到连续轮询实况赛事数据库106。

图5提供了概率模块126的图示。该过程开始于步骤500，基础模块124启动概率模块126。在步骤502中，概率模块126从基础模块124接收情境数据或关于即将发生的行为或赛事中的行为的信息。在步骤504中，概率模块126按照球队和进攻，从历史行为数据库130中筛选出情境数据。在步骤506中，选择历史行为数据库130的第一参数，例如赛事。然后概率模块126对数据进行关联。例如，从历史行为数据库130中筛选出球队、球员、节数、进攻和要获得的距离。选择第一参数，在本示例中是赛事，其可以是传球或冲跑，并且对历史行为数据库130按照赛事是传球进行筛选。然后，对其余参数进行关联，这些参数是推进码数、温度、分贝级别等。在图11B中，用图表显示了历史数据的相关数据，该历史数据涉及爱国者队在第二节第二档进攻时还剩五码没有拿下，并且行为是传球，其相关性系数为.81。在步骤508中，也使用相同的筛选器对下一个赛事来进行关联，该下一个赛事为：行为是冲跑，也在图11B中示出，并且具有.79的相关性系数。在步骤510中，确定相关性系数是否高于预定阈值，例如.75，以便确定数据是否高度相关，并被视为相关的相关性。如果相关性被认为是高度相关，则从数据中提取相关性系数。例如，在步骤512中，两个相关性系数.81(传球)和.79(冲跑)都被提取。如果确定相关性不是高度相关，则确定是否还有任何剩余的参数。此外，在步骤514中，如果相关性被确定为高度相关且因此被提取，则还确定是否有任何剩余的参数需要进行关联。步骤516中，如果还存在要进行关联的附加参数，则概率模块126选择历史行为数据库中的下一个参数，并返回到步骤508。一旦没有更多剩余参数需要进行关联，概率模块126就会确定每个提取的相关性之间的差异。例如，传球的相关性系数为.81，跑动的相关性系数为.79。两个相关性系数之间的差异(.81-.79)为.02。在一些实施例中，可以通过对两个相关性系数进行减法运算来计算差异。在一些实施例中，可以通过确定统计显著性来比较这两个相关性系数。在一个实施例中，统计显著性可以通过使用以下公式来确定：Zobserved＝(z1–z2)/([(1/N1–3)+(1/N2–3)]的平方根，其中z1是第一数据集的相关性系数，z2是第二数据集的相关性系数，N1是第一数据集的样本量，N2是第二数据集的样本量；在步骤516中，可以使用得到的Zobserved而不是推荐数据库132中的相关性系数的差，从而基于统计显著性而不是两个相关性系数的差来比较这两个相关性系数。然后将两个相关性系数之间的差.02与推荐数据库132进行比较。推荐数据库132包含相关性差异的各种范围，以及与这些范围相应的概率调整。例如，在步骤518中，两个相关性系数的差.02落入相关性差异+0-2的范围内，根据推荐数据库132，该差值的概率调整应为增加5％。然后在步骤520中，概率模块126从推荐数据库132中提取概率调整。在步骤522中，提取的概率调整被存储在调整数据库136中。然后，在步骤524中，概率模块126启动预测模块128。

在其他实施例中，可以理解的是，前面的公式可以根据多种原因而改变，例如，基于其他的因素或预测来调整概率，基于变化的条件或附加变量来调整概率，或者基于改变预测行为的意愿来调整概率。此外，在其他示例实施例中，一个或多个替代方程可用于概率模块126中。一个这样的方程可以是Zobserved＝(z1–z2)/([(1/N1–3)+(1/N2–3)]的平方根，其中z1是第一数据集的相关性系数，z2是第二数据集的相关性系数，N1是第一数据集的样本量，N2是第二数据集的样本量，得到的Zobserved根据统计显著性比较两个相关性系数而不是两个相关性系数的差异。使用的另一个方程可能是Z＝b₁-b₂/S_b1-b2，用于比较数据集的斜率，或者可以引入各种附加变量中的任何一个，例如b₁是第一数据集的斜率，b₂是第二数据集的斜率，S_b1是第一数据集斜率的标准差，S_b2是第二数据集斜率的标准差。然后可以将由这样的方程进行的计算结果与推荐数据132进行比较，然后，概率模块126可以从推荐数据库132中提取概率调整。然后，将提取的概率调整存储在调整数据库136中，并且预测模块128由概率模块126启动，如上所述。

可以注意到，概率模块126可用于客户的访问、重新配置、修改或控制，或者用于托管服务用户界面服务、托管服务概率管理服务、托管服务合规服务、托管服务和交易服务，托管服务和技术平台、商业应用、推广活动、“定制预测”、业务应用程序，比赛配置器，“梦幻运动连接器”，软件即服务、屏幕同步、ACR、加入社交媒体、增强现实、数字游戏、或“电子竞技”。

图6提供了预测模块128的图示。该过程开始于步骤600，由概率模块126启动预测模块128。在步骤602中，预测模块128将预测数据库134与调整数据库136进行比较。确定在预测数据库134中有无预测ID与调整数据库136存在匹配。例如，预测数据库134包含用户的所有当前预测选项的列表，对于每个预测选项，预测数据库134包含预测ID、赛事、时间、节数、预测和概率。调整数据库136包含预测ID和概率应该调整的百分比(无论是增加还是减少)。如果预测数据库134和调整数据库136之间存在匹配，则通过调整数据库136中的百分比增加或减少来调整预测数据库134中的概率，并且更新预测数据库134中的概率。例如，如果预测数据库134中的概率是-105，并且调整数据库136中匹配的预测ID是增加5％，那么在步骤604中，预测数据库134中的更新后的概率应该是-110。如果存在匹配，则在步骤606中，基于存储在调整数据库136中的数据来调整概率，并且新数据被存储在预测数据库134中，覆盖旧条目。如果没有匹配，或者一旦匹配，预测数据库134已经被调整，则在步骤608中，预测模块128将预测数据库134发送到用户设备114，允许用户对存储在预测数据库134中的概率进行预测。

图7提供了历史行为数据库130的图示，该数据库通过基础模块创建，基础模块存储来自实况赛事数据库106的结果。历史行为数据库130包含情境数据，例如行为ID、球队、球员、节数、进攻和距离。历史行为数据库130还包含参数，例如赛事、推进码数、温度、分贝级别和球员。应当注意，在一个实施例中，历史行为数据库130用于橄榄球的工作示例，但也可以根据需要用于任何其他体育或赛事。历史行为数据库130可以包含各种赛事或体育事件的情境数据和参数，例如橄榄球、篮球、棒球、曲棍球、英式足球、英式橄榄球、高尔夫、网球等。情境数据是关于行为的信息，例如参加某项赛事的团队或个人的统计信息、该赛事的时间段，以及导致即将发生的行为的信息，例如，在赛事中竞争的团队或个人的统计信息、赛事的时间段、以及导致即将发生的行为的信息，例如团队或运动员当前领先或落后、特定运动员或运动员在赛场、球场或场地上的位置等。在一些实施例中，情境数据可以是与传感器数据相关的信息，该传感器数据与个体运动员、球队相关，或者是从可穿戴设备或装备(例如球、护具、球杆、球棒等)中取回的传感器数据。在图7中，参数可以是包含情境数据的结果的信息，情境数据可以是由与情境数据相关的行为产生的统计数据。

图8提供了推荐数据库132的图示，该推荐数据库132用在概率模块126中，以根据相关数据点的相关性系数之间的差异，来确定应该如何调整概率的预测。推荐数据库132可以包含相关性的差异和概率调整。例如，在图11B中，爱国者队第二节进攻传球的相关性系数为.81，爱国者队第二节冲跑的相关性系数为.79，两者之间的差值为+.02，当与推荐数据库132对比时，则爱国者传球的概率调整是增加5％，或在调整数据库136中标识为预测201。在一些实施例中，相关性的差异可以是比较两个相关性系数的统计显著性，以确定应该如何调整概率。

图9提供了预测数据库134的图示，该预测数据库134包含用户可以对赛事下的潜在预测，并且根据所得的相关性系数通过概率模块和预测模块进行更新。预测数据库134包含预测ID、赛事、时间、节数、预测和概率。应当注意，预测数据库134目前被构建为使用足球作为赛事来提供工作示例，但是预测数据库134将基于逐个运动的基础来构建。存储在预测数据库中的预测数据的其他示例可以是“预测”、“无输赢比赛”、“双方”、“弱势方”、“热门球队”、“粉笔”、“降低限红的赛事”、“狗”、“冷门球队”、“直升”、“平手”、“挑选”、“选”、“过关预测”、“循环赛”、“甜头预测”、“道具预测”、“上半场预测”、“下半场预测”、“指定投手”、“让分预测”、“远期预测”、“远期”或“定制预测”。

图10提供了如果确定应该调整预测时，用调整数据库136调整预测数据库134的预测概率的示意。调整数据库136包含预测ID，其用于与预测数据库134进行匹配，以调整正确预测的概率。

图11A提供了概率模块126的示例的示意以及由此产生的相关性。在图11A中，数据按照球队、进攻和节数进行筛选，并找到球队、进攻和节数与各种参数的各种相关性，例如剩余码数、弃踢码数、任意球码数等。与球队、进攻、节数以及剩余码数非相关的参数的示例有弃踢码数，为15％(低于75％的阈值)，因此没有相关性，故而应该对下一个参数进行关联，除非已没有剩余的参数。

图11B提供了概率模块126的示例的示意以及由此产生的相关性。在图11B中，数据按照球队、进攻和节数进行筛选，并找到与球队、进攻和节数与各种参数的各种相关性，例如行为、剩余码数、已推进码数等。与赛事有相关性的参数的示例有，传球，球队、进攻和节数的相关性系数为81％，因此存在相关性(因为高于75％的阈值)，故需要提取相关性系数，并将其与另一个提取的相关性系数进行比较，在本示例中，所述另一个提取的相关性系数是行为与冲跑，为79％。将两个相关性的差异与推荐数据库进行比较，以确定是否需要调整概率。在这个例子中，传球和冲跑之间有.02的差异，这意味着在第二节的第二档进攻中，新英格兰爱国者队传球的可能性略高于冲跑的可能性，故而为了匹配相关数据，概率调整为降低5％。相反，在步骤1104中，如果将冲跑的相关数据.79与传球的相关数据.81进行比较，则差异将为-.02，并且概率调整为增加5％。

图12A提供了概率模块126的另一个示例的示意以及由此产生的相关性。在图12A中，数据按照球队、进攻和节数进行筛选，并找到与球队、进攻和节数与各种参数的各种相关性，例如体育场内的分贝级别、弃踢码数、任意球码数等。与球队、进攻、节数以及体育场的分贝级别不相关参数的示例是弃踢码数，为17％(低于75％的阈值)，因此没有相关性，故而应对下一个参数进行关联，除非已没有参数剩余。

图12B提供了概率模块126的示例的示意以及由此产生的相关性。在图12B中，数据按照球队、进攻和节数进行筛选，并找到与球队、进攻和节数与各种参数的各种相关性，例如行为、温度、推进码数等。与行为相关的参数的示例是，冲跑、球队、进攻和节数，为92％，因此存在相关性(因为高于75％的阈值)，需要提取相关性系数，并将其与另一个提取的相关性系数进行比较，在本示例中，所述另一个提取的相关性系数是行为与传球，为84％。将两个相关性的差异与推荐数据库进行比较，以确定是否需要调整概率。在这个例子中，传球和冲跑之间有.08的差异，这意味着在第一节的第一档进攻中，新英格兰爱国者队冲跑的可能性略高于传球的可能性，故而为了匹配相关数据，概率调整为降低15％。相反，如果将冲跑的相关数据.84与传球的相关数据.92进行比较，则差异将为-.08，故而概率调整为增加15％。

前面的描述和附图示出了这些实施例的原理、优选实施例和操作模式。然而，这些实施例不应被解释为局限于上面讨论的特定实施例。本领域技术人员将理解以上讨论的实施例的其他变化。

因此，上述实施例应该被视为说明性的而非限制性的。相应地，应当理解，本领域技术人员可以对这些实施例进行变型，而不脱离由以下所附权利要求限定的本发明的范围。

Claims (14)

1.一种用于生成和调整概率的方法，包括：

实时接收实况赛事的统计信息；

将所述实况赛事中行为的结果存储在历史行为数据库中；

筛选所述历史行为数据库中与所述实况赛事中即将发生的行为相匹配的情境数据相关的数据；

对与所述实况赛事中即将发生的行为相匹配的所述情境数据相关的类似历史数据进行关联；

确定所述相似历史数据的相关数据和与所述实况赛事中即将发生的行为相匹配的数据之间的差异；

将所述差异与推荐数据库进行对比；以及

根据所述推荐数据库调整预测概率。

2.根据权利要求1所述的用于生成和调整概率的方法，还包括通过计算一个或多个相关性系数，以及将所述一个或多个相关性系数与预定阈值进行对比，从而确定进行的关联是否有关。

3.根据权利要求1所述的用于生成和调整概率的方法，还包括确定要进行关联的若干参数。

4.根据权利要求2所述的用于生成和调整概率的方法，还包括

用以下公式确定进行的关联是否有关：Zobserved＝(z1–z2)/([(1/N1–3)+(1/N2–3)]的平方根，其中，z1是第一数据集的相关性系数，z2是第二数据集的相关性系数，N1是所述第一数据集的样本量，N2是所述第二数据集的样本量，并且Zobserved在所述推荐数据库中用作z1和z2之间基于统计显著性的比较。

5.根据权利要求2所述的用于生成和调整概率的方法，还包括用以下公式确定进行的关联是否有关：Z＝b₁-b₂/S_b1-b2，所述公式比较各数据集的斜率，其中，b₁是所述第一数据集的斜率，b₂是所述第二数据集的斜率，S_b1是所述第一数据集斜率的标准差，S_b2是所述第二数据集斜率的标准差。

6.根据权利要求1所述的用于生成和调整概率的方法，其中，所述推荐数据库包括多个相关性差异范围，并且所述方法还包括：在确定两个或多个相关性之间的差异时，从所述推荐数据库中提取概率调整因子；并将所述概率调整因子存储在调整数据库中。

7.根据权利要求1所述的用于生成和调整概率的方法，其中，所述历史行为数据库包括与所述实况赛事相关的多个历史情境数据。

8.根据权利要求1所述的用于生成和调整概率的方法，其中，所述历史行为数据库由在所述实况赛事和一个或多个先前实况赛事期间获取的传感器数据填充。

9.根据权利要求1所述的用于生成和调整概率的方法，还包括：向具有预测数据库的预测模块输出调整后的预测概率，所述预测数据库存储多个预测选项；并且基于所述调整后的预测概率和所述预测数据库中的一个或多个预测，确定提供的一个或多个预测。

10.根据权利要求9所述的用于生成和调整概率的方法，其中，所述实况赛事是体育赛事，并且还包括：调整所述预测概率；并且在实况赛事中的一次比赛结束之后和下一次比赛之前，显示所述调整后的预测概率。

11.一种计算机实现的用于在实况赛事期间提供概率调整的方法，包括用处理器执行以下步骤：

显示体育预测平台；

显示可以进行预测的实况赛事；

针对未来比赛的一个或多个预测，显示调整后的概率，所述调整后的概率基于所述实况赛事中的情境数据和历史数据的比较；以及

显示对所述调整后的概率的一项或多项预测。

12.一种用于在实况赛事中实时调整行为概率的系统，包括：

实况赛事数据库，其接收从实况赛事收集的数据；

历史行为数据库，其存储从一个或多个先前赛事和一个或多个先前行为中的至少一个收集的数据；

概率模块，其确定所述实况赛事数据库中的数据与所述历史行为数据库中的数据之间的相关性，并将所确定的相关性的差异与推荐数据库进行比较，并基于所确定的相关性与所述推荐数据库的比较来调整预测概率；

调整数据库；以及

显示器，其显示所述调整后的预测概率。

13.根据权利要求12所述的系统，还包括调整数据库，其存储多个预定的概率调整因子。

14.根据权利要求12所述的系统，还包括基础模块，其从所述实况赛事中提取当前赛事情境，并将与所述当前赛事情境相关联的数据传输到所述概率模块。

Images