CN117999573A - 体育运动中的互动式游戏 - Google Patents

体育运动中的互动式游戏 Download PDF

Info

Publication number
CN117999573A
CN117999573A CN202280055139.9A CN202280055139A CN117999573A CN 117999573 A CN117999573 A CN 117999573A CN 202280055139 A CN202280055139 A CN 202280055139A CN 117999573 A CN117999573 A CN 117999573A
Authority
CN
China
Prior art keywords
event
computing system
data
user
game
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
Application number
CN202280055139.9A
Other languages
English (en)
Inventor
丹尼尔·理查德·丁斯代尔
克里斯蒂安·肖伯尔
大卫·格里姆
约翰·迪金森
安德鲁·斯科尔斯
克里斯蒂安·马可
帕特里克·约瑟夫·卢西
海莉·雷德盖特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Statos
Original Assignee
Statos
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Statos filed Critical Statos
Publication of CN117999573A publication Critical patent/CN117999573A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07F—COIN-FREED OR LIKE APPARATUS
    • G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
    • G07F17/32—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for games, toys, sports, or amusements
    • G07F17/3286—Type of games
    • G07F17/3288—Betting, e.g. on live events, bookmaking
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/34—Betting or bookmaking, e.g. Internet betting

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

计算系统生成用于预测实况比赛期间的事件的结果的互动式游戏空间。计算系统识别实况比赛中的预测事件。计算系统接收实况比赛的事件数据直至预测事件。计算系统识别参与预测事件的各个选手的赛前选手特定数据。计算系统基于事件数据和赛前选手特定数据生成预测事件的可能结果的组的概率分布。计算系统向参加互动式游戏空间的用户呈现概率分布。计算系统从参加互动式游戏空间的用户接收针对预测事件的提出结果。计算系统确定提出结果为正确。计算系统向互动式游戏空间内的用户授予积分。

Description

体育运动中的互动式游戏
本申请主张于2021年9月24日提交的美国临时专利申请序列号63/261,593的优先权；其全部内容通过引用并入本文。
技术领域
本公开整体上涉及用于在实况体育运动赛事的背景下生成互动式游戏的系统和方法。
背景技术
随着最终用户更容易获得体育运动分析，体育迷越来越多地参与体育运动。移动供应商已开始利用最新技术，提供用户在他们的移动装置上观看比赛的机会。
发明内容
一些实施方式中，本文公开了一种方法。计算系统生成用于预测实况比赛期间的事件的结果的互动式游戏空间。计算系统识别实况比赛中的预测事件。计算系统接收实况比赛的事件数据直至预测事件。计算系统识别参与预测事件的各个选手的赛前选手特定数据。计算系统基于事件数据和赛前选手特定数据生成预测事件的可能结果的组的概率分布。计算系统向参加互动式游戏空间的用户呈现概率分布。计算系统从参加互动式游戏空间的用户接收针对预测事件的提出结果。计算系统确定提出结果为正确。计算系统向互动式游戏空间内的用户授予积分。
一些实施方式中，本文公开了一种非瞬态计算机可读介质。非瞬态计算机可读介质包括一个或多个指令序列，当通过处理器执行指令序列时，使计算系统执行操作。所述操作包括通过计算系统生成互动式游戏空间，所述互动式游戏空间用于预测实况比赛期间的事件的结果。所述操作还包括通过计算系统识别实况比赛中的预测事件。这些操作还包括通过计算系统接收实况比赛的事件数据直至预测事件。所述操作还包括通过计算系统识别参与预测事件的各个选手的赛前选手特定数据。所述操作还包括通过计算系统，基于事件数据和赛前选手特定数据，生成预测事件的可能结果的组的概率分布。所述操作还包括通过计算系统向参加互动式游戏空间的用户呈现概率分布。所述操作还包括通过计算系统从参加互动式游戏空间的用户接收针对预测事件的提出结果。所述操作还包括通过计算系统确定提出结果为正确。所述操作还包括基于计算系统的确定，向互动式游戏空间内的用户授予积分。
一些实施方式中，本文公开了一种系统。所述系统包括处理器和存储器。存储器具有存储于其上的编程指令，当通过处理器执行编程指令时，使系统执行操作。所述操作包括生成互动式游戏空间，所述互动式游戏空间用于预测实况比赛期间的事件的结果。所述操作还包括通过计算系统识别实况比赛中的预测事件。所述操作还包括接收实况比赛的事件数据直至预测事件。所述操作还包括识别参与预测事件的各个选手的赛前选手特定数据。所述操作还包括基于事件数据和赛前选手特定数据，生成预测事件的可能结果的组的概率分布。所述操作还包括向参加互动式游戏空间的用户呈现概率分布。所述操作还包括从参加互动式游戏空间的用户接收预测事件的提出结果。所述操作还包括提出结果为正确。所述操作还包括基于该确定，向互动式游戏空间内的所述用户授予积分。
附图说明
为了能够详细地理解本公开的上述特征，可参考实施方式对以上简要概括的本公开进行更具体的描述，其中一些实施方式示于附图。然而，应当注意的是，附图仅示出本公开的典型实施方式，因此不应被视为对其范围的限制，因为本公开可允许其他同等有效的实施方式。
图1是示出根据示例实施方式的计算环境的框图。
图2是示出根据示例实施方式的预测过程的框图。
图3是示出根据示例实施方式的预测引擎的框图。
图4示出根据示例实施方式的示例性预测过程。
图5A示出根据示例实施方式的与为互动式游戏空间生成的界面相对应的示例性图形用户界面。
图5B示出根据示例实施方式的与为互动式游戏空间生成的界面相对应的示例性图形用户界面。
图5C示出根据示例实施方式的与为互动式游戏空间生成的界面相对应的示例性图形用户界面。
图5D示出根据示例实施方式的与为互动式游戏空间生成的界面相对应的示例性图形用户界面。
图6是示出根据示例实施方式的生成互动式游戏空间的方法的流程图。
图7是示出根据示例实施方式的生成体育运动中的预测的方法的流程图。
图8是示出根据示例实施方式的生成体育运动中的预测的方法的流程图。
图9A是示出根据示例实施方式的计算装置的框图。
图9B是示出根据示例实施方式的计算装置的框图。
为了便于理解，在可能的情况下，使用相同的附图标记来表示附图中共享的相同组件。可以预期的是，在一个实施方式中公开的组件可有利地用于其他实施方式而无需具体叙述。
具体实施方式
本文公开的一种或多种技术提供了一种互动式预测游戏，其可允许用户在整个实况比赛过程中预测各个得分机会的结果。例如，在板球的背景中，用户可能能够预测每个球或投球的结果。一些实施方式中，用户能够与在他们自己的用户装置上做出类似预测的其他用户竞争。一些实施方式中，用户能够与构成为生成其自己的预测事件结果的人工智能引擎竞争。以此方式，用户可在一场比赛、多场比赛、赛季等的整个过程中与其他用户、人工智能引擎或两者竞争。
虽然以下讨论是关于板球的背景下的互动式游戏，但是本领域技术人员理解这些技术可应用于任何体育运动，例如但不限于橄榄球、篮球、棒球、足球、网球、橄榄球、曲棍球等。
图1是示出根据示例实施方式的计算环境100的框图。计算环境100可包含经由网络105进行通信的跟踪系统102、组织计算系统104、一个或多个客户端装置108以及一个或多个第三方系统130。
网络105可为任何合适的类型，包含经由互联网的单独连接，例如蜂窝或Wi-Fi网络。一些实施方式中，网络105可利用直接连接来连接终端、服务和移动装置，例如射频识别(radio frequency identification，RFID)、近场通信(near-field communication，NFC)、蓝牙(BluetoothTM)、低能量蓝牙(low-energy BluetoothTM，BLE)、Wi-FiTM、ZigBeeTM、环境后向散射通信(ambient backscatter communication，ABC)协议、USB、WAN或LAN。由于传输的信息可能是个人的或机密的，因此安全考虑可能要求对这些类型的连接的一种或多种进行加密或以其他方式进行保护。然而，一些实施方式中，所传输的信息可能较不个人化，因此，可以为了方便性而非安全性来选择网络连接。
网络105可包含用于交换数据或信息的任何类型的计算机网络布置。例如，网络105可为互联网、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。
跟踪系统102可位于场地106中。例如，场地106可构成为主办包含一个或多个行为主体(agent)112的体育赛事。跟踪系统102可构成为捕捉比赛场地上所有行为主体(即选手)、以及一个或多个其他相关物体(例如球、裁判员等)的运动。一些实施方式中，跟踪系统102可为使用例如多个固定摄像机的基于光学的系统。例如，可使用由六个固定的、经校准的摄像机组成的系统，该系统将选手和球的三维位置投影至球场的二维俯视图上。另一示例中，固定式和非固定式摄像机的混合可用于捕捉比赛场地上的所有行为主体以及一个或多个对象物或相关物的运动。本领域技术人员将理解，利用此种跟踪系统(例如跟踪系统102)可产生球场的许多不同的摄像机视图(例如高边线(high sideline)视图、罚球线(free-throw line)视图、队员靠拢(Huddle)视图、争球(face-off)视图、端区(end zone)视图等)。一些实施方式中，跟踪系统102可用于给定赛事的广播馈送。此种实施方式中，广播馈送的每一帧可被存储在比赛档案110中。
一些实施方式中，比赛档案110还可利用对应于事件数据的其他事件信息，例如但不限于比赛事件信息(传球、射门、失误等)和背景信息(当前得分、剩余时间等)而扩充。
跟踪系统102可构成为经由网络105与组织计算系统104通信。组织计算系统104可构成为管理和分析由跟踪系统102捕捉的数据。
组织计算系统104可至少包含网络客户应用服务器114、预处理模块116、数据存储器118、预测引擎120和互动式游戏代理器122。预处理模块116和互动式游戏代理器122各自可由一个或多个软件模块组成。一个或多个软件模块可为存储在介质(例如组织计算系统104的存储器)上的代码或指令的集合，其表示实现一个或多个算法步骤的一系列机器指令(例如程序代码)。此种机器指令可为组织计算系统104的处理器进行诠释以实现指令的实际计算机代码，或者替代地，可为被诠释以获得实际计算机代码的指令的更高级别的编码。一个或多个软件模块还可包含一个或多个硬件组件。示例算法的一个或多个方面可由硬件组件(例如电路)本身来执行，而不是作为指令的结果。
数据存储器118可构成为存储一个或多个比赛档案124。各比赛档案124可包含给定赛事的视频数据。例如，视频数据可对应于由跟踪系统102捕捉的多个视频帧。一些实施方式中，视频数据可对应于给定赛事的广播数据，在这种情况下，视频数据可对应于给定比赛的广播馈送的多个视频帧。一般而言，这样的信息在本文中可被称为“跟踪数据”。
预处理模块116可构成为处理从数据存储器118检索的数据。例如，预处理模块116可构成为生成存储在数据存储器118中的比赛档案124。例如，预处理模块116可构成为基于跟踪系统102所捕捉的数据生成比赛档案124。一些实施方式中，预处理模块116还可构成为将与每个比赛相关联的跟踪数据存储在相应的比赛档案124中。跟踪数据可指比赛期间所有选手和比赛场地上的球的(x,y)坐标。一些实施方式中，预处理模块116可直接从跟踪系统102接收跟踪数据。一些实施方式中，预处理模块116可从比赛的广播馈送导出跟踪数据。
一些实施方式中，预处理模块116还可构成为利用对应的比赛背景来补充各比赛档案124。例如，对于板球，对于每个事件或球，比赛档案124可包含击球手标识符(例如batter_id)、投球手标识符(例如bowler_id)、各队伍的跑分(run)、指定队伍的出局数、剩余球数、所需的跑动率、投球手跑分、投球手投杀球(bowler balls bowled)、投球手三柱门(bowler wickets)、击球手跑分和面对的击球手球的一种或多种。
预处理模块116还可构成为基于实况跟踪数据来处理实况事件数据(例如逐球数据)。例如，对于各事件，预处理模块116可利用击球手标识符(例如batter_id)、投球手标识符(例如bowler_id)、各队伍的跑分、指定队伍的出局数、剩余球数、所需的跑动率、投球手跑分、投球手投杀球、投球手三柱门、击球手跑分和面对的击球手球中的一种或多种来补充实况跟踪数据。
一些实施方式中，预处理模块116还可构成为生成各个选手的赛前个人化选手描述符。例如，预处理模块116可为各投球手和击球手生成赛前个人化选手描述符。诸如击球手的选手的示例性赛前个人化选手描述符可包含但不限于每次出局的球数、每一球的跑分、每一球的攻击性、0跑分比例、1跑分比例、2跑分比例、3跑分比例、4跑分比例、6跑分比例、歪球－跑分(wide-run)比例、三柱门跑分(wicket run)比例等的一种或多种。一些实施方式中，赛前个人化选手描述可为最近X场比赛的平均值。一些实施方式中，赛前个人化选手描述可为赛季平均值。对诸如投球手的选手的示例性赛前个人化选手描述可包含但不限于每次出局的一或多个球、每一球的跑分、每一球的攻击性、4/6跑分比例、0跑分比例等的一种或多种。一些实施方式中，预处理模块116可构成为实时或接近实时地处理实况事件数据。例如，预处理模块116能够以约0.04秒的等待时间生成赛前个人化预测。
预测引擎120可包含被训练为基于实况事件数据和赛前个人化预测来生成事件的一组概率的一个或多个预测模型。例如，预测引擎120可接收实况事件数据(例如逐球数据)和赛前个人化选手描述作为输入，并生成一组概率作为输出，其中每个概率对应于一个事件的可能结果。使用特定示例，在事件是将投向击球手的球的那些实施方式中，预测引擎120可生成八种概率，其中各概率对应于各个结果发生的可能性。示例性结果可包含歪球、三柱门、零分打、一分打、二分打、三分打、四分打和六分打。因此，基于输入，预测引擎120可输出各个结果发生的概率。为了适应实况比赛背景中的比赛表现，可训练预测引擎120的预测模型以利用实时或接近实时的方式生成概率组。例如，预测引擎120能够以低等待时间(例如0.1至0.2秒)生成该概率组。一些实施方式中，预测引擎120的预测模型可代表针对生成可能结果的组中的各个结果的概率组的特定任务而被个人化的随机森林模型。
一些实施方式中，基于实况事件数据和赛前个人化预测，预测引擎120还可构成为预测下一个投球位置。例如，预测引擎120可生成下一个投球为全(full)、好(good)或短(short)的概率。
一些实施方式中，基于实况事件数据和赛前个人化预测，预测引擎120还可构成为预测下一个击球位置。例如，预测引擎120可生成下一个球位于投球的各个位置的概率(例如对应于投球的八个位置的八个位置概率)。
如本领域技术人员所理解，各体育赛事可包含自己的单独的规则。例如，板球运动中，有四种类型的板球赛事：板球对抗赛(test cricket)、单日国际赛(one dayinternationals)、T20国际赛(T20
internationals)和一百球赛(the Hundred)。再举另一示例，尽管篮球是一项普遍的体育运动，但篮球包含不同的联赛和不同的规则。例如，篮球赛事可包含：NBA比赛、NCAA男子比赛、WNBA比赛、NCAA女子比赛、FIBA等。因此，预测引擎120可包含多个预测模型。预测引擎120的各预测模型可对应于特定赛事类型。例如，对于板球，预测引擎120可包含用于板球对抗赛的第一预测模型、用于单日国际赛的第二预测模型、用于T20国际赛的第三预测模型以及用于一百球赛的第四预测模型。一些实施方式中，板球中的多个预测模型可包含男子板球和女子板球的各类别中的单独的预测模型。各预测模型可根据其自己的历史数据集进行训练。例如，可根据历史板球对抗赛数据来训练板球对抗赛预测模型，且可根据历史单日国际赛板球数据来训练单日国际赛板球预测模型。
一些实施方式中，预测引擎120可基于比赛的形式来更新给定预测模型的模型参数，而不是包含若干不同的预测模型。例如，各比赛形式可包含其自己的模型参数组。在操作中，预测引擎120可使用与该比赛类型相对应的模型参数组来更新其预测模型的参数。
互动式游戏代理器122可构成为为用户生成互动式游戏空间。例如，互动式游戏代理器122可构成为生成供一个或多个用户竞争的互动式游戏空间。互动式游戏代理器122可构成为基于用户对给定事件的事件结果的选择来维护每个用户的积分。通常，用户可参加各种时长的各种比赛。例如，用户可参加每日竞赛、一周长或一个月长的竞赛、赛季竞赛、锦标赛竞赛等。一些实施方式中，用户可请求邀请用户的朋友加入的私人互动式游戏空间。一些实施方式中，用户可参加公开竞赛。用户可通过正确预测比赛中各种事件的各种结果来获得积分。接续前文，对于每个被正确猜测的下一球预测，用户可获得一分。一些实施方式中，例如若用户连续多次预测正确的结果，或在另一示例中用户连续游玩多天，则他们可能能够获得奖励积分。因此，以此方式，互动式游戏代理器122可构成为维护各个用户的积分。
一些实施方式中，互动式游戏代理器122可基于用户的订阅级别选择性地向用户提供信息。例如，对于游戏的免费版本，用户可能只被允许输入他们自己对事件结果的预测。相比之下，在游戏的高级版本(即付费订阅者)中，可向用户提供额外的见解，例如但不限于由预测引擎120生成的下一球概率、下一投球位置概率和/或下一球位置概率。
一些实施方式中，互动式游戏代理器122可包含一个或多个集成126。一个或多个集成126可允许用户与一个或多个第三方系统130进行互动。例如，一个或多个集成126可允许用户与一个或多个体育竞猜运营商进行互动，在比赛过程中实时或接近实时地提交点券。以这种方式，互动式游戏代理器122向体育竞猜运营商提供在逐场比赛或逐球级别上创建竞猜机会的能力，从而增加体育竞猜运营商可用的游戏机会的数量。
客户端装置108可经由网络105与组织计算系统104进行通信。客户端装置108可由用户操作。例如，客户端装置108可为移动装置、平板电脑、桌面计算机或具有本文描述的能力的任何计算系统。用户可包含但不限于例如与组织计算系统104相关联的实体订阅者、客户、潜在客户或顾客的个人，如已经从与组织计算系统104相关联的实体获得、将要从与组织计算系统104相关联的实体获得或可能从与组织计算系统104相关联的实体获得产品、服务或咨询的个人。
客户端装置108可至少包含应用程序132。应用程序132可代表允许存取网站的网络浏览器或独立应用程序。客户端装置108可存取应用程序132以存取组织计算系统104的一项或多项功能。客户端装置108可通过网络105进行通信以例如从组织计算系统104的网络客户端应用程序服务器114请求网页。例如，客户端装置108可构成为执行应用程序132以参与由互动式游戏代理器122生成的互动式游戏。显示于客户端装置108的内容可从网络客户端应用程序服务器114传输至客户端装置108，并且随后由应用程序132处理以通过客户端装置108的图形用户界面(graphical user interface，GUI)显示。
图2是示出根据示例实施方式的预测过程200的框图。如图所示，预测过程200可包含数据收集期。在数据收集期期间，预处理模块116可构成为接收实况逐球数据馈送202。实况逐球数据馈送202可包含与当前投球或事件相关的数据。例如，实况逐球数据馈送202可包含但不限于击球手标识符(例如batter_id)、投球手标识符(例如bowler_id)、各对伍的跑分、指定队伍的出局数、剩余球数、所需的跑动率、投球手跑分、投球手投杀球、投球手三柱门、击球手跑分、面对的击球手球、队伍和比赛跑分率、队伍和比赛三柱门率、当前击球手得分、当前投球手人物图等的一种或多种。
一些实施方式中，预测过程200还可包含赛前评级期。在赛前评级期期间，预处理模块116可自历史击球手数据206和历史投球手数据208生成赛前评级204。一些实施方式中，赛前评级204可包含赛前击球手评级210。赛前击球手评级210可至少部分地基于历史击球手数据206生成。赛前击球手评级210可代表与参与即将到来的预测事件的击球手相关联的信息。示例性赛前击球手评级210可包含但不限于每次出局的球数、每一球的跑分、每一球的攻击性、4跑分比例、6跑分比例、1至3跑分比例、0跑分比例中的一种或多种。在操作中，为了生成赛前击球手评级210，可将历史击球手数据206输入至评级模型216。评级模型216可代表构成为生成赛前评级204的一个或多个贝叶斯模型(Bayesian model)。
一些实施方式中，赛前评级204可包含赛前投球手评级212。赛前投球手评级212可至少部分地基于历史投球手数据208生成。历史投球手数据208可代表与参与即将到来的预测事件的投球手相关联的信息。一些实施方式中，预处理模块116可从数据存储器118中的历史比赛档案124导出或生成历史投球手数据208。示例性赛前投球手评级212可包含但不限于每次出局的一或多个球、每一球的跑分、每一球的攻击性、4/6跑分比例、0跑分比例等。在操作中，为了生成赛前投球手评级212，可将历史投球手数据208输入至评级模型216。评级模型216可代表构成为生成赛前评级204的一个或多个贝叶斯模型。
一些实施方式中，预处理模块116还可构成为生成场地评级214。历史场地数据205可代表与正在进行比赛的场地相关联的信息。一些实施方式中，预处理模块116可从数据存储器118中的历史比赛档案124导出或生成场地评级。示例性场地评级214可包含但不限于每次出局的一或多个球、每一球的跑分、每一球的攻击性、4/6跑分比例、0跑分比例等。在操作中，为了生成场地评级214，历史场地数据205可被输入至评级模型216。评级模型216可代表构成为生成赛前评级204的一个或多个贝叶斯模型。
一些实施方式中，预测过程200可包含比赛背景期。在比赛背景期期间，实况逐球数据馈送202可与赛前评级204组合以生成比赛背景218。比赛背景218可包含与赛前知识(例如赛前评级204)结合的比赛中知识(例如迄今为止的比赛表现和当前比赛情况)。
一些实施方式中，预测过程200可包含预测期。在预测期期间，可将比赛背景218作为输入提供给预测引擎120。作为输出，预测引擎120可生成即将到来的预测事件的概率分布220。例如，当生成下一球预测时，预测引擎120可生成表示各事件发生的概率的概率分布220，即歪球、三柱门、零分打、一分打、二分打、三分打、四分打和六分打中的每一个的概率。
图3是根据示例实施方式的组织计算系统104的框图。如图所示，组织计算系统104可包含储存库302。储存库302可包含一个或多个可包括指令的数据存储节点。储存库302可与处理器306a、306b和/或306c进行互动以实现如本文所述的预测引擎120。
预测引擎120可构成为使用训练数据集来训练模型以生成事件的概率组。预测引擎120可包含引入模块308和训练模块310。引入模块308和训练模块310各自可由一个或多个软件模块组成。一个或多个软件模块可存储在介质(例如组织计算系统104的存储器)上的代码或指令的集合，其表示实现一个或多个算法步骤的一系列机器指令(例如程序代码)。此种机器指令可为处理器进行诠释以实现指令的实际计算机代码，或者替代地，可为被诠释以获得实际计算机代码的指令的更高级别的编码。一个或多个软件模块还可包含一个或多个硬件组件。示例算法的一个或多个方面可由硬件组件(例如电路)本身来执行，而不是作为指令的结果。
引入模块308可构成为从预处理模块116接收历史事件数据。例如，引入模块308可构成为接收多个历史比赛档案124。引入模块308可构成为基于正在受训练的模型生成多个训练数据集。例如，一些实施方式中，引入模块308可通过聚集与T20国际赛相对应的比赛档案124生成用于训练T20国际赛预测模型的第一训练数据集；类似地，引入模块308可通过聚集与板球对抗赛相对应的比赛档案124生成用于训练板球对抗赛预测模型的第二训练数据集。
一些实施方式中，引入模块308可确定没有足够的数据来训练预测模型。如本领域技术人员所理解，当可能引入比赛的新迭代时，可能没有足够的历史数据来训练相应的模型。接续上述示例，在板球比赛中，一百球赛是一种新型的板球比赛，每局投掷100个球。鉴于其刚成立不久，只有大约三十场历史比赛的数据可用于训练其预测模型。如此有限的数据通常不足以训练有效的模型。
为了解决此问题，一些实施方式中，引入模块308可构成为基于与不同事件相对应的数据导出或生成这些模型的训练集。一些实施方式中，引入模块308可包含允许其分析该体育运动的事件数据集并识别或学习最适用于当前模型的数据的那些部分的逻辑或智能。使用特定示例，在一百球赛形式的背景中，引入模块308可基于一百球赛形式的规则确定T20数据表现出与一百球赛形式的相似性。例如，引入模块308可确定T20数据表现出与一百球赛形式的相似性，但是不同之处在于被投掷的20个球。因此，引入模块308可识别与一百球赛形式中的比赛节奏最相似的T20数据的子集(例如被投掷的100个球)。该特定示例中，引入模块308可确定能够移除以T20数据形式投出的中间20个球，以用于训练一百球赛预测模型。因此，以该方式，引入模块308可构成为生成用于训练不具有足够训练数据的预测模型的训练数据集。
使用另一示例，在板球的背景下，通常有足够的数据来训练男子板球的板球预测模型，但没有足够的数据来训练女子板球的板球预测模型。通常，女子板球数据并不能代表各种板球比赛形式的未来结果。同样地，随着女子板球的进步，女子板球的风格也在进展。近年来，队伍得分不断提高，高得分的重击(shot)越来越普遍。考虑到此点，引入模块308可确定历史男子板球数据与女子板球的当前比赛节奏相似。因此，引入模块308可利用历史男子板球数据来增强或补充历史女子板球数据，因为在过去，男子板球已经观察到了当前和未来的女子板球正走向的更快的得分率。因此，训练模块310可利用男子和女子板球数据的混合来训练女子板球模型，以改进模型性能。
使用另一示例，在板球的背景下，比赛的风格可以改变。因此，历史数据可能与当前板球比赛的结果不太相关。例如，过去几年，在板球对抗赛形式中击球手的攻击性有所增加。板球对抗赛形式通常会看到击球手采取谨慎的态度，他们的目的是避免在缓慢积累跑分的同时出局。最近，开始转向更加激进的做法，特别是在试图追分以赢得比赛时的比赛的最后一局。为了解决比赛中的这种转变，引入模块308可利用来自最接近这种比赛风格的其他板球比赛形式的数据。在这种情况下，历史单日板球数据可更好地捕捉该数据。因此，引入模块308可利用单日板球数据来补充对抗赛板球数据以改进模型性能。
训练模块310可构成为训练机器学习模型312以基于实际值生成期望值，从而生成经完全训练的模型314。例如，机器学习模型312可被训练以评估控制/站(station)/过程值、中间值、最终输出值，并确定对于站控制器的输入的调整。
训练模块310可构成为训练机器学习模型312以基于实况事件数据、赛前个人化预测和事件的类型来生成事件类型的一组概率。例如，训练模块310可训练机器学习模型312，以基于由引入模块308针对一百球赛形式而生成的训练集来生成针对一百球赛形式的一组概率。示例性结果可包含歪球、三柱门、零分打、一分打、二分打、三分打、四分打和六分打。一些实施方式中，基于实况事件数据和赛前个人化预测，训练模块310可训练机器学习模型312预测下一个投球位置。例如，训练模块310可训练机器学习模型312以生成下一个投球为全、好或短的概率。一些实施方式中，训练模块310可训练机器学习模型312预测下一个击球位置。例如，训练模块310可训练机器学习模型312以生成下一个球位于投球的各个位置的概率(例如对应于投球的八个位置的八个位置概率)。
图4示出根据示例实施方式的示例性预测过程400。如图所示，当前比赛背景402可被提供给预测引擎120。当前比赛背景402可与前文结合图2所讨论的比赛背景218类似地生成。预测引擎120可生成输出404。一些实施方式中，输出404可包含下一球预测的概率分布。一些实施方式中，输出404可包含下一球预测的更简单的集合。
图5A至5D示出根据示例实施方式的与互动式游戏相关联的图形用户界面(GUI)。图5A示出对应于为互动式游戏生成的界面的示例性GUI 500。如图所示，可向用户呈现当前正在进行的比赛和即将到来的比赛的时间表。GUI 500包括两场比赛：第一场比赛目前正在孟买印度人队和清奈超级王者队之间进行，第二场比赛即将在旁遮普国王队和德里首都队之间进行。由于当前正在进行第一场比赛，因此用户可选择参与第一比赛的互动式游戏。如图所示，可向用户提供各种选项。一些实施方式中，用户可选择与CPU竞争。例如，用户可与预测引擎120竞争是否能够击败来自预测引擎120的输出。一些实施方式中，用户可选择一对一的形式。此种形式中，用户与另一用户竞争，看谁能正确预测事件结果。一些实施方式中，用户可选择全球形式。在这种形式中，用户可与多个用户竞争，看谁能够正确地预测最多的事件结果。
图5B示出对应于为互动式游戏生成的界面的示例性GUI 520。GUI 520可响应于用户进入由互动式游戏代理器122生成的互动式游戏而生成。经由GUI 520，用户能够下达他们对下一球的预测。如图所示，可向用户提供参与下一球的选手的指示。例如，对于下一个预测事件，击球手是Moeen Ali，投球手是Lungi Ngidi。GUI 520还可包含与参与预测事件的各个选手相对应的统计数据。经由GUI 520，可向用户提供可选择的图形组件，例如歪球、三门柱、零分打、一分打、二分打、三分打、四分打和六分打。一些实施方式中，可向用户提供与用户做出选择的剩余时间相对应的视觉指示。
如上所述，一些实施方式中，GUI 520可包含通过预测引擎120生成的由计算机生成的预测。例如，如图所示，GUI 520可包含由预测引擎120生成的各个可能结果的概率分布。以此方式，用户可查阅由机器生成的对各个可能结果的可能性的预测。
图5C示出对应于为互动式游戏生成的界面的示例性GUI 540。GUI 540可包含关于用户是否正确猜测球的结果的指示。如图所示，用户选择“1”作为他们的预测结果。GUI 540包含“1”为正确的指示。
图5D示出对应于为互动式游戏生成的界面的示例性GUI 560。
GUI 560可包含关于用户有多少积分、用户从正确的预测获得多少积分以及用户在排行榜中的位置的指示。如图所示，用户通过正确预测事件结果获得了291分。该用户的总积分为4812分且在排行榜上排名第327位。
图6是示出根据示例实施方式的生成互动式游戏空间的方法600的流程图。方法600可开始于步骤602。
在步骤602，组织计算系统104可接收正在进行的比赛的事件数据。一些实施方式中，该事件数据可代表即将到来的预测事件的逐场比赛或逐球数据。示例性事件数据可包含但不限于击球手标识符(例如
batter_id)、投球手标识符(例如bowler_id)、各队伍的跑分、指定队伍的出局数、剩余球数、所需的跑动率、投球手跑分、投球手投杀球、投球手三柱门、击球手跑分和面对的击球手球的一种或多种。
在步骤604，组织计算系统104可识别赛前击球手特征和赛前投球手特征。预处理模块116可在比赛开始之前生成赛前击球手特征和赛前投球手特征。赛前击球手特征可代表与参与即将到来的预测事件的击球手相关联的信息。一些实施方式中，预处理模块116可从数据存储器118中的历史比赛档案124导出或生成赛前击球手特征。示例性赛前击球手特征可包含但不限于每次出局的球数、每一球的跑分、每一球的攻击性、0跑分比例、1跑分比例、2跑分比例、3跑分比例、4跑分比例、6跑分比例、歪球－跑分比例、三柱门跑分比例等的一种或多种。赛前投球手特征204可代表与参与即将到来的预测事件的投球手相关联的信息。一些实施方式中，预处理模块116可从数据存储器118中的历史比赛档案124导出或生成赛前投球手特征。示例性赛前投球手特征可包含但不限于每次出局的球数、每一球的跑分、每一球的攻击性、4/6跑分比例、0跑分比例等的一种或多种。
在步骤606，组织计算系统104可基于事件数据、赛前击球手特征和赛前投球手特征来生成事件的概率分布。一些实施方式中，概率分布可对应于可能发生的一组可能事件结果中的各事件结果的可能性。为了生成概率分布，预测引擎120可分析事件数据、赛前击球手特征和赛前投球手特征。例如，当生成下一球预测时，预测引擎120可生成各事件可能性发生的概率，即歪球、三柱门、零分打、一分打、二分打、三分打、四分打和六分打各自的概率。
在步骤608，组织计算系统104可从用户接收对预测事件的预测。例如，用户可经由由互动式游戏代理器122生成的互动式游戏空间向组织计算系统104提供输入。预测可对应于预测事件的一组可能结果中的一个。
在步骤610，组织计算系统104可确定预测事件的结果。例如，互动式游戏代理器122可从跟踪系统102接收经更新的事件数据。经更新的事件数据可包含对其做出预测的事件的结果的指示。
在步骤612，组织计算系统104可确定用户的预测是否正确。例如，互动式游戏代理器122可将用户的预测与事件的实际结果进行比较。若在步骤612，互动式游戏代理器122确定用户的预测是正确的，则在步骤614，互动式游戏代理器122可将积分添加至用户的得分。然而，若在步骤612，互动式游戏代理器122确定用户的预测不正确，则在步骤616，互动式游戏代理器122不向用户的得分添加积分。
图7是示出根据示例实施方式的生成体育运动中的预测的方法700的流程图。方法700可开始于步骤702。
在步骤702，组织计算系统104可接收正在进行的比赛的事件数据。一些实施方式中，事件数据可代表即将到来的预测事件的逐场比赛或逐球数据。示例性事件数据可包含但不限于击球手标识符(例如batter_id)、投球手标识符(例如bowler_id)、各队伍的跑分、指定队伍的出局数、剩余球数、所需的跑动率、投球手跑分、投球手投杀球、投球手三柱门、击球手跑分和面对的击球手球的一种或多种。
在步骤704，组织计算系统104可识别与事件数据相对应的事件的形式。例如，如上所述，某些体育运动可能具有不同的形式。在板球背景中，板球可包含男子和女子板球对抗赛、男子和女子单日国际赛、男子和女子T20国际赛以及男子和女子一百球赛。
在步骤706，组织计算系统104可识别赛前击球手特征和赛前投球手特征。预处理模块116可在比赛开始前生成赛前击球手特征和赛前投球手特征。赛前击球手特征可代表与参与即将到来的预测事件的击球手相关联的信息。一些实施方式中，预处理模块116可从数据存储器118中的历史比赛档案124导出或生成赛前击球手特征。示例性赛前击球手特征可包含但不限于每次出局的球数、每一球的跑分、每一球的攻击性、4跑分比例、6跑分比例、1至3跑分比例、0跑分比例中的一种或多种。赛前投球手特征204可代表与参与即将到来的预测事件的投球手相关联的信息。一些实施方式中，预处理模块116可从数据存储器118中的历史比赛档案124导出或生成赛前投球手特征。示例性赛前投球手特征可包含但不限于每次出局的一或多个球、每一球的跑分、每一球的攻击性、4/6跑分比例、0跑分比例等的一种或多种。
在步骤708，组织计算系统104可基于赛前击球手特征和赛前投球手特征来生成赛前评级。赛前评级可包含赛前击球手评级、赛前投球手评级和场地评级。一些实施方式中，为了生成赛前击球手评级，预处理模块116可利用评级模型216。例如，预处理模块116可通过将赛前击球手特征输入至评级模型216中来生成赛前击球手评级。一些实施方式中，为了生成赛前投球手评级，预处理模块116可利用评级模型216。例如，预处理模块116可通过将赛前投球手特征输入至评级模型216中来生成赛前投球手评级。一些实施方式中，为了生成场地评级，预处理模块116可利用评级模型216。例如，预处理模块116可通过将场地特征输入至评级模型216中来生成场地评级。
在步骤710，组织计算系统104可生成比赛背景。为了生成比赛背景，预处理模块116将实况逐球数据馈送与赛前评级相结合。比赛背景可包含与赛前知识(例如赛前评级204)结合的比赛中知识(例如迄今为止的比赛表现和当前比赛情况)。
在步骤712，组织计算系统104可调用与所识别的形式相对应的预测模型。例如，对于板球，预测引擎120可包含用于男子和女子板球对抗赛的第一组预测模型、用于男子和女子单日国际赛的第二组预测模型、用于男子和女子T20国际赛的第三组预测模型、以及用于男子和女子一百球赛的第四组预测模型。各预测模型可至少基于对应于该比赛形式的历史数据进行训练。例如，假设目标赛事中的板球形式是男子一百球赛，组织计算系统104可选择与男子一百球赛相对应的预测模型。
在步骤714，组织计算系统104可基于比赛背景生成事件的概率分布。一些实施方式中，概率分布可对应于可能发生的一组可能事件结果中的各个事件结果的可能性。一些实施方式中，例如当生成下一球预测时，预测引擎120可生成各个事件可能性发生的概率，即歪球、三柱门、零分打、一分打、二分打、三分打、四分打和六分打各自的概率。
图8是示出根据示例实施方式的生成体育运动中的预测的方法800的流程图。方法800可包含特征制作阶段802、模型参数阶段804和预测阶段806。
在特征制作阶段802，组织计算系统104可接收正在进行的比赛的事件数据。一些实施方式中，事件数据可代表即将到来的预测事件的逐场比赛或逐球数据。示例性事件数据可包含但不限于击球手标识符(例如batter_id)、投球手标识符(例如bowler_id)、各队伍的跑分、指定队伍的出局数、剩余球数、所需的跑动率、投球手跑分、投球手投杀球、投球手三柱门、击球手跑分和面对的击球手球的一种或多种。
在特征制作阶段802期间，预处理模块116可生成或导出实况比赛特征810。实况比赛特征810可包含与迄今为止的比赛表现相关的信息(例如当前得分、当前局数等)，以及当前的比赛情况(例如击球手对决投球手)。预处理模块116可将实况比赛特征810与赛前特征812(例如赛前击球手特征、赛前投球手特征、场地特征)组合以生成比赛背景814。
在模型参数阶段804期间，预测引擎120可生成用于预测模型的模型参数816。为了生成模型参数816，预测引擎120可确定与当前相对应的比赛类型。如图所示，预测引擎120可基于联赛(例如男子或女子)和比赛形式(例如20轮、50轮、对抗赛)来识别比赛类型。基于比赛的类型，预测引擎120可选择用于预测模型的模型参数816。
在预测阶段806期间，预测引擎120可基于比赛背景814和模型参数816生成各种预测。例如，如图所示，预测引擎120可使用模型参数816来更新预测模型818。一旦经更新，预测模型818可基于比赛背景814生成一个或多个预测。如图所示，预测模型818可生成下一球结果概率。一些实施方式中，预测模型818可模拟下一球结果820。例如，基于比赛背景814，预测模型818可多次模拟下一球结果820以识别下一球的概率分布。
图9A示出根据示例实施方式的计算系统900的架构。系统900可代表组织计算系统104的至少一部分。系统900的一个或多个组件可使用总线905彼此电通信。系统900可包含处理单元(CPU或处理器)910和系统总线905，其将包含系统存储器915如只读存储器(readonly memory，ROM)920和随机存取存储器(random access memory，RAM)925的各种系统组件耦接于处理器910。系统900可包含与处理器910直接连接、紧密连接或集成为处理器910的一部分的高速存储器的高速缓存。系统900可将数据从存储器915和/或存储装置930复制到高速缓存912以供处理器910快速存取。以此方式，高速缓存912可提供避免处理器910在等待数据时延迟的性能提升。这些和其他模块可控制或构成为控制处理器910执行各种动作。其他系统存储器915也可供使用。存储器915可包含具有不同性能特性的多种不同类型的存储器。处理器910可包含任何通用处理器和硬件模块或软件模块，例如存储在存储装置930中的服务1 932、服务2 934和服务3 936，其构成为控制处理器910以及专用处理器，其中软件指令被纳入实际的处理器设计中。处理器910本质上可为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。多核处理器可为对称的或不对称的。
为使用户能够与计算系统900互动，输入装置945可代表任何数量的输入机制，诸如用于语音的麦克风、用于手势或图形输入的触摸屏、键盘、鼠标、运动输入、语音等等。输出装置935(例如显示器)还可为本领域技术人员已知的多种输出机制中的一种或多种。一些情况下，多模式系统可使用户能够提供多种类型的输入以与计算系统900通信。通信接口940通常可支配和管理用户输入和系统输出。对任何特定硬件布置上的操作并无限制，故此处的基本特征可在开发时容易地替换为改进的硬件或固件布置。
存储装置930可为非易失性存储器且可为硬盘或可存储计算机可存取的数据的其他类型的计算机可读介质，例如磁带、闪存卡、固态存储装置、数字多功能盘、盒式磁带、随机存取存储器(RAM)925、只读存储器(ROM)920及其混合。
存储装置930可包括用于控制处理器910的服务932、934和936。可以设想其他硬件或软件模块。存储装置930可连接至系统总线905。一方面，执行特定功能的硬件模块可包含存储在与必要的硬件组件如处理器910、总线905、输出装置935等连接的计算机可读介质中的软件组件，以执行该功能。
图9B示出具有可表示组织计算系统104的至少一部分的芯片组架构的计算机系统950。计算机系统950可为能够用于实现所公开的计算机硬件、软件和固件的示例。系统950可包含处理器955，其表示能够执行构成为执行所识别的计算的软件、固件和硬件的任意数量的物理和/或逻辑上不同的资源。处理器955可与芯片组960通信，芯片组960可控制处理器955的输入和输出。该示例中，芯片组960将信息输出至输出部965如显示器，且可将信息读取和写入至存储装置970，存储装置970可包含例如磁介质和固态介质。芯片组960还可从RAM 975读取数据以及向RAM 975写入数据。用于与各种用户界面组件985接合的桥980可供用于与芯片组960接合。此种用户接口组件985可包含键盘、麦克风、触摸检测和处理电路、如鼠标的定点装置等等。一般而言，对系统950的输入可来自机器生成的和/或人类生成的各种资源中的任一种。
芯片组960还可与可具有不同物理接口的一个或多个通信接口990接合。此种通信接口可包含用于有线和无线局域网、用于宽带无线网络以及个域网的接口。用于生成、显示和使用本文公开的GUI的方法的一些应用可包含通过物理接口接收有序数据集或者由机器本身通过处理器955分析存储在存储装置970或RAM 975中的数据而生成。此外，机器可通过用户接口组件985接收来自用户的输入并执行适当的功能，如通过使用处理器955解释这些输入而执行浏览功能。
可以理解，示例系统900和950可具有多于一个处理器910或者是联网在一起的一组或集群的计算装置的一部分，以提供更强的处理能力。
虽然前述内容是针对本文描述的实施方式，但是可设计其他和另外的实施方式而不脱离其基本范围。例如，本公开的各方面能够以硬件或软件或硬件和软件的组合来实现。本文描述的一个实施方式可被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了实施方式(包括本文描述的方法)的功能且可被包含在各种计算机可读存储介质上。示例性计算机可读存储介质包括但不限于：(i)不可写存储介质(例如计算机内的只读存储器(ROM)装置，如可由CD-ROM驱动器读取的CD-ROM盘、闪存、ROM芯片或信息永久地存储于其上的任何类型的固态非易失性存储器；(ii)其上存储可更改信息的可写存储介质(例如软盘驱动器或硬盘驱动器内的软盘或任何类型的固态随机存取存储器)。当此种计算机可读存储介质带出指导所公开的实施方式的功能的计算机可读指令时，此种计算机可读存储介质为本公开的实施方式。
本领域技术人员将理解，前述示例是示例性的而非限制性的。本领域技术人员在阅读说明书和研究附图后将显而易见的是，其所有排列、增强、等同物和改进都包含在本公开的实际精神和范围内。因此，所附权利要求旨在包含落入这些教示的真实精神和范围内的所有此类修改、排列和等同物。

Claims (20)

1.一种方法，包括：
通过计算系统生成互动式游戏空间，所述互动式游戏空间用于预测实况比赛期间的事件的结果；
通过所述计算系统识别所述实况比赛中的预测事件；
通过所述计算系统接收所述实况比赛的事件数据直至所述预测事件；
通过所述计算系统识别参与所述预测事件的各个选手的赛前选手特定数据；
通过所述计算系统，基于所述事件数据和所述赛前选手特定数据生成所述预测事件的可能结果的组的概率分布；
通过所述计算系统向参加所述互动式游戏空间的用户呈现所述概率分布；
通过所述计算系统，从参加所述互动式游戏空间的所述用户接收针对所述预测事件的提出结果；
通过所述计算系统确定所述提出结果为正确；和
基于所述确定，通过所述计算系统向所述互动式游戏空间内的所述用户授予积分。
2.根据权利要求1所述的方法，其中所述概率分布包括所述可能结果的组的各个结果发生的可能性。
3.根据权利要求1所述的方法，其中通过所述计算系统识别参与所述预测事件的各个选手的所述赛前选手特定数据包括：
识别参与所述实况比赛的各个选手的历史事件数据；和
基于参与所述实况比赛的各个选手的所述历史事件数据，生成所述赛前选手特定数据。
4.根据权利要求1所述的方法，还包括：
通过所述计算系统识别所述实况比赛中的第二预测事件；
通过所述计算系统接收所述实况比赛的经更新的事件数据直至所述第二预测事件；
通过所述计算系统，基于所述经更新的事件数据和所述赛前选手特定数据，生成所述第二预测事件的可能结果的第二组的第二概率分布；
通过所述计算系统向参加所述互动式游戏空间的所述用户呈现所述第二概率分布；
通过所述计算系统，从参加所述互动式游戏空间的所述用户接收针对所述第二预测事件的第二提出结果；和
通过所述计算系统确定所述提出结果为不正确。
5.根据权利要求1所述的方法，还包括：
通过所述计算系统，从参加所述互动式游戏空间的第二用户接收所述预测事件的第二提出结果，其中不向所述第二用户呈现所述概率分布。
6.根据权利要求5所述的方法，其中所述用户具有第一类型的会员账户，且所述第二用户具有第二类型的会员账户。
7.根据权利要求1所述的方法，其中所述实况比赛为板球比赛，且所述预测事件为将自投球手向击球手投出的球。
8.一种非瞬态计算机可读介质，包括一个或多个指令序列，当通过处理器执行所述指令序列时，使计算系统执行操作，包括：
通过所述计算系统生成互动式游戏空间，所述互动式游戏空间用于预测实况比赛期间的事件的结果；
通过所述计算系统识别所述实况比赛中的预测事件；
通过所述计算系统接收所述实况比赛的事件数据直至所述预测事件；
通过所述计算系统识别参与所述预测事件的各个选手的赛前选手特定数据；
通过所述计算系统，基于所述事件数据和所述赛前选手特定数据，生成所述预测事件的可能结果的组的概率分布；
通过所述计算系统向参加所述互动式游戏空间的用户呈现所述概率分布；
通过所述计算系统，从参加所述互动式游戏空间的所述用户接收针对所述预测事件的提出结果；
通过所述计算系统确定所述提出结果为正确；和
基于所述确定，通过所述计算系统向所述互动式游戏空间内的所述用户授予积分。
9.根据权利要求8所述的非瞬态计算机可读介质，其中所述概率分布包括所述可能结果的组的各个结果发生的可能性。
10.根据权利要求8所述的非瞬态计算机可读介质，其中通过所述计算系统识别参与所述预测事件的各个选手的赛前选手特定数据包括：
识别参与所述实况比赛的各个选手的历史事件数据；和
基于参与所述实况比赛的各个选手的所述历史事件数据，生成所述赛前选手特定数据。
11.根据权利要求8所述的非瞬态计算机可读介质，还包括：
通过所述计算系统识别所述实况比赛中的第二预测事件；
通过所述计算系统接收所述实况比赛的经更新的事件数据直至所述第二预测事件；
通过所述计算系统，基于所述经更新的事件数据和所述赛前选手特定数据，生成所述第二预测事件的可能结果的第二组的第二概率分布；
通过所述计算系统向参加所述互动式游戏空间的所述用户呈现所述第二概率分布；
通过所述计算系统，从参加所述互动式游戏空间的所述用户接收针对所述第二预测事件的第二提出结果；和
通过所述计算系统确定所述提出结果为不正确。
12.根据权利要求8所述的非瞬态计算机可读介质，还包括：
通过所述计算系统，从参加所述互动式游戏空间的第二用户接收所述预测事件的第二提出结果，其中不向所述第二用户呈现所述概率分布。
13.根据权利要求12所述的非瞬态计算机可读介质，其中所述用户具有第一类型的会员账户，且所述第二用户具有第二类型的会员账户。
14.根据权利要求8所述的非瞬态计算机可读介质，其中所述实况比赛为板球比赛，且所述预测事件为将自投球手向击球手投出的球。
15.一种系统，包括：
处理器；和
存储器，所述存储器具有存储于其上的编程指令，当通过所述处理器执行所述编程指令时，使所述系统执行操作，包括：
生成互动式游戏空间，所述互动式游戏空间用于预测实况比赛期间的事件的结果；
识别所述实况比赛中的预测事件；
接收所述实况比赛的事件数据直至所述预测事件；
识别参与所述预测事件的各个选手的赛前选手特定数据；
基于所述事件数据和所述赛前选手特定数据，生成所述预测事件的可能结果的组的概率分布；
向参加所述互动式游戏空间的用户呈现概率分布；
从参加所述互动式游戏空间的所述用户接收所述预测事件的提出结果；
确定所述提出结果为正确；和
基于所述确定，向所述互动式游戏空间内的所述用户授予积分。
16.根据权利要求15所述的系统，其中所述概率分布包括所述可能结果的组的各个结果发生的可能性。
17.根据权利要求15所述的系统，其中识别参与所述预测事件的各个选手的所述赛前选手特定数据包括：
识别参与所述实况比赛的各个选手的历史事件数据；和
基于参与所述实况比赛的各个选手的所述历史事件数据，生成所述赛前选手特定数据。
18.根据权利要求15所述的系统，其中所述操作还包括：
识别所述实况比赛中的第二预测事件；
接收所述实况比赛的经更新的事件数据直至第二预测事件；
基于所述经更新的事件数据和所述赛前选手特定数据，生成所述第二预测事件的可能结果的第二组的第二概率分布；
向参加所述互动式游戏空间的所述用户呈现所述第二概率分布；
从参加所述互动式游戏空间的所述用户接收针对所述第二预测事件的第二提出结果；和
确定所述提出结果为不正确。
19.根据权利要求15所述的系统，其中所述操作还包括：
从参加所述互动式游戏空间的第二用户接收针对所述预测事件的第二提出结果，其中不向所述第二用户呈现所述概率分布。
20.根据权利要求19所述的系统，其中所述用户具有第一类型的会员账户，且所述第二用户具有第二类型的会员账户。
CN202280055139.9A 2021-09-24 2022-09-23 体育运动中的互动式游戏 Pending CN117999573A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202163261593P 2021-09-24 2021-09-24
US63/261,593 2021-09-24
PCT/US2022/076934 WO2023049843A1 (en) 2021-09-24 2022-09-23 Interactive gaming in sports

Publications (1)

Publication Number Publication Date
CN117999573A true CN117999573A (zh) 2024-05-07

Family

ID=85721291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280055139.9A Pending CN117999573A (zh) 2021-09-24 2022-09-23 体育运动中的互动式游戏

Country Status (4)

Country Link
US (1) US20230106936A1 (zh)
EP (1) EP4360037A1 (zh)
CN (1) CN117999573A (zh)
WO (1) WO2023049843A1 (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090186679A1 (en) * 2008-01-23 2009-07-23 James Christopher Irvine Prediction game system and method
US8406906B2 (en) * 2009-05-23 2013-03-26 Dream Big Baseball, Inc. Baseball event outcome prediction method and apparatus
US20130267328A1 (en) * 2011-12-16 2013-10-10 Sports Technology Applications, Inc. System and method for providing mobile sports related games
US11311808B2 (en) * 2019-01-21 2022-04-26 Tempus Ex Machina, Inc. Systems and methods to predict a future outcome at a live sport event
US20210134124A1 (en) * 2019-10-31 2021-05-06 Scoretrade Inc. In-stadium and location-based user inputs to adjust in-game bet pricing and probabilities
US11715303B2 (en) * 2020-02-13 2023-08-01 Stats Llc Dynamically predicting shot type using a personalized deep neural network

Also Published As

Publication number Publication date
WO2023049843A1 (en) 2023-03-30
US20230106936A1 (en) 2023-04-06
EP4360037A1 (en) 2024-05-01

Similar Documents

Publication Publication Date Title
US10569180B2 (en) Visually representing virtual fantasy sports contests
US12100210B2 (en) Dynamically predicting shot type using a personalized deep neural network
US20240153028A1 (en) Smart-venue wagering system and method for live events
US11117058B2 (en) System and method for dynamically valuating players during a fantasy draft
US20150057074A1 (en) Differential-based fantasy-sports gaming
CN116762047A (zh) 体育运动中的微观与宏观预测
CN113544697B (zh) 用数据和身体姿态分析运动表现以对表现进行个性化预测
CN113543861A (zh) 用于多任务学习的方法及系统
US9700805B2 (en) System and method for automated fantasy drafting
KR20180064142A (ko) 온라인 및 오프라인을 연계한 스크린게임 방법 및 스크린게임 장치
US9072970B2 (en) System and method for valuating a player in a fantasy draft based on user-defined league rules
CN117999573A (zh) 体育运动中的互动式游戏
US8951107B2 (en) System and method for non-sequential automated fantasy drafting
US9895610B1 (en) Real-time and near-real-time fantasy gaming
US20240087072A1 (en) Live event information display method, system, and apparatus
KR102611954B1 (ko) 볼링 플랫폼 서비스를 제공하기 위한 방법, 장치 및프로그램
US20230267736A1 (en) Method, apparatus and computer program for generating sports game highlight video based on winning probability
US20240350890A1 (en) Predictive overlays, visualization, and metrics using tracking data and event data in tennis
US20220148366A1 (en) On deck wagering
CN117980042A (zh) 网球锦标赛实时预测
GB2616012A (en) A method, apparatus and computer program for generating sports game highlight video based on excitement of gameplay
Deng et al. Data variables related to wins and losses of game in different scenarios in the WNBA 2023 season
CN117957040A (zh) 用于网球中实况反事实分析的系统和方法
CN118043111A (zh) 关于市场选择的实时反馈和推荐
US20160217641A1 (en) In-stadium mobile games

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