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技术方案

本文公开了一种生成体育赛事的结果的方法。计算系统从数据存储部取回跟踪数据。该计算系统使用深度神经网络生成预测模型。该深度神经网络中的一个或更多个神经网络基于跟踪数据生成包括球队特定信息和队员特定信息的一个或更多个嵌入。该计算系统从跟踪数据中选择与体育赛事的当前背景有关的一个或更多个特征。该计算系统通过深度神经网络学习一个或更多个体育赛事的一个或更多个可能结果。该计算系统接收体育赛事的赛前阵容。该计算系统经由预测模型，基于主队的各个队员的历史信息、客队的各个队员的历史信息以及球队特定特征，生成体育赛事的可能结果。生成体育赛事的可能结果。生成体育赛事的可能结果。

【技术实现步骤摘要】
【国外来华专利技术】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
[0001]相关申请的交叉引用
[0002]本申请要求对2018年1月21日提交的美国临时申请系列No.62/619,894的引用，其全部内容通过引用而并入于此。


[0003]本公开总体上涉及生成预测模型的系统和方法，更具体地，涉及对赛前和赛中结果进行预测的系统和方法。

技术介绍

[0004]体育迷和数据分析人员已经越来越多地深深扎根于体育分析，特别是在比赛开始之前和比赛进行期间对比赛的结果进行预测。例如，作为一场大赛的先导，体育网络持续主办辩论节目，其中多方争论哪支球队将赢得即将来临的比赛。然而，这种分析到比赛结束也不会停下来。典型的“Monday Morning Quarterback”体育节目主持人例如对如果教练对一个或更多个球员进行调整则比赛的结果将如何改变进行辩论。因此，对于开发能够更准确地预测体育赛事的结果的系统存在持续的竞争。

技术实现思路

[0005]本文所公开的实施方式总体上涉及生成体育赛事的结果的系统、方法以及计算机可读介质。计算系统从数据存储部取回赛事数据。所述赛事数据包括跨多个赛季的多场赛事的详细报道信息。该计算系统使用深度神经网络生成预测模型。该深度神经网络中的一个或更多个神经网络基于赛事数据生成包括球队特定信息和队员(agent)特定信息的一个或更多个嵌入。该计算系统从赛事数据中选择与体育赛事的当前背景有关的一个或更多个特征。该计算系统通过所述深度神经网络，至少基于球队特定嵌入、队员特定嵌入以及所述体育赛事的当前背景，学习一场或更多场体育赛事的一个或更多个可能结果。该计算系统接收体育赛事的赛前阵容。所述赛前阵容包括主队的多个队员和客队的多个队员。该计算系统经由预测模型，基于主队的各个队员的历史信息、客队的各个队员的历史信息以及球队特定特征，生成体育赛事的可能结果。
[0006]在另一实施方式中，提供了一种生成体育赛事的结果的系统、方法以及计算机可读介质。计算系统从数据存储部取回赛事数据。所述赛事数据包括跨多个赛季的多场赛事的详细报道信息。该计算系统使用深度神经网络生成预测模型。只要有足够的时间，基于各个球队的阵容特征、各个赛事在各个时间t的当前状态以及各个时间t的当前得分记录表(box score)，神经网络学习在各个时间t时很可能出现在各个赛事中的一个或更多个球员。该计算系统生成数据集，该数据集包括在各个时间t很可能出现在各个赛事中的所述一个或更多个球员。混合密度网络基于各个球队的阵容特征、各个赛事在时间t的当前状态、各个时间t的当前得分记录表以及包括在各个时间t很可能出现在各个赛事中的所述一个
或更多个球员的数据集，学习各个时间t的得分差异。该计算系统接收在当前时间T生成体育赛事的预测结果的指示。该计算系统经由预测模型，基于各个球队针对体育赛事的阵容特征、该体育赛事在时间T的当前状态、时间T的当前得分记录表以及在在时间T时该体育赛事中的当前阵容，生成该体育赛事的最终得分差异。
附图说明
[0007]按照可以详细理解本公开的上述特征的方式，上面简要概述的本公开的更具体描述可以参照实施方式进行，其中一些实施方式在附图中进行了例示。然而，要注意，附图仅例示了本公开的典型实施方式，并由此，不应被视为对本公开范围的限制，对于本公开来说，可以允许其它等效实施方式。
[0008]图1是例示根据示例实施方式的计算环境的框图。
[0009]图2是例示根据示例实施方式的图1的计算环境的组件的框图。
[0010]图3A是例示根据示例实施方式的神经网络架构的框图。
[0011]图3B是例示根据示例实施方式的神经网络架构的框图。
[0012]图3C是例示根据示例实施方式的神经网络架构的框图。
[0013]图3D是例示根据示例实施方式的神经网络架构的框图。
[0014]图4是例示根据示例实施方式的对深度神经网络模型进行训练的方法的流程图。
[0015]图5A是例示根据示例实施方式的图形用户界面的框图。
[0016]图5B是例示根据示例实施方式的图形用户界面的框图。
[0017]图6是例示根据示例实施方式的对赛前结果进行预测的方法的流程图。
[0018]图7A是根据示例实施方式的神经网络模型的结构的框图。
[0019]图7B是例示根据示例实施方式的混合密度网络的结构的框图。
[0020]图8是例示根据示例实施方式的对深度神经网络模型进行训练的方法的流程图。
[0021]图9是例示根据示例实施方式的示例性图形用户界面的框图。
[0022]图10是例示根据示例实施方式的生成运体育赛事的赛中预测的方法的流程图。
[0023]图11A是例示根据示例实施方式的计算装置的框图。
[0024]图11B是例示根据示例实施方式的计算装置的框图。
[0025]为了易于理解，在可能的情况下，使用了相同的标号来指定图中共用的相同要素。设想的是，在一个实施方式中公开的要素可以在没有具体讲述的情况下有益地利用在其它实施方式上。
具体实施方式
[0026]本文所公开的一种或更多种技术总体上涉及生成体育赛事(例如，“比赛”)的预测结果的系统和方法。例如，本文所公开的一种或更多种技术致力于在比赛开始之前和在比赛进行期间对比赛的结果进行预测。
[0027]在一些实施方式中，本文所公开的一种或更多种技术在比赛开始之前，利用个性化预测的能力来生成预测模型，以捕获球队内的球员表现之间存在的低级非线性，从而生成预测结果。例如，这种方法背后的基本原理是队员和球队可能具有不同水平的才能，但是他们可以展示的才能水平可能与该领域的其他球员以及他们的对手有着内在的联系。尽管
这种方法可能是由直觉得到的，但是已经证明在实践中做到这一点非常具有挑战性，这是由于球队内的球员之间以及球队之间存在大量的排列组合。然而，本文所描述的一种或更多种技术能够利用捕获这些相同的交互的低维嵌入。
[0028]本文所描述的一种或更多种技术利用深度神经网络(即，多个隐藏层)的能力来标识这些嵌入。这些嵌入的标识允许(1)比常规技术更准确的比赛预测；(2)数据驱动的球员影响力排名；以及(3)交互式“假设分析”，可以利用输入特征空间的可解释性来比较特定情形下的球员。
[0029]本文所描述的一种或更多种技术与当前的比赛预测模型完全不同。例如，本文所描述的一种或更多种技术在特征表示中明确地编码球队阵容信息。这种技术与大多数其它比赛预测模型形成了鲜明对比，大多数其它比赛预测模型要么利用对进攻和防守能力进行建模的变量，经由泊松分布来预测正在计分的得分数，要么就直接估计获胜、平局或失败。常规方法还专注于“球员评分”，以估计球员可以预期的进球得分/分数，但是常规的系统没有明确地预测比赛的结果，而这最终是可用于关联球员表现的上乘标签。
[0030]此外，在一些实施方式中，本文所公开的一种或更多种技术涉及赛中的比赛本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种生成体育赛事的结果的方法，所述方法包括以下步骤：由计算系统从数据存储部取回跟踪数据，所述跟踪数据包括跨多个赛季的多场赛事的赛事数据；由所述计算系统通过以下步骤使用深度神经网络生成预测模型：由神经网络基于各个球队的阵容特征、在作为给定时间的各个时间t时各个赛事的当前状态以及各个时间t时的当前得分记录表，学习在各个时间t时可能在各个赛事中的一个或更多个球员；生成包括在各个时间t时可能在各个赛事中的所述一个或更多个球员的数据集；由混合密度网络基于各个球队的所述阵容特征、时间t时各个赛事的所述当前状态、各个时间t时的所述当前得分记录表、以及包括各个时间t时可能在各个赛事中的所述一个或更多个球员的数据集，学习各个时间t时的得分差异；由所述计算系统接收生成时间T时所述体育赛事的预测结果的指示；以及由所述计算系统经由所述预测模型，基于所述体育赛事中的各个球队的阵容特征、时间T时所述体育赛事的当前状态、时间T时的当前得分记录表、以及时间T时所述体育赛事中的当前阵容，生成所述体育赛事的最终得分差异。2.根据权利要求1所述的方法，其中，由所述计算系统接收生成时间T时所述体育赛事的预测结果的指示的步骤包括：从客户端装置接收对时间T时所述体育赛事的结果进行预测的请求。3.根据权利要求1所述的方法，其中，由混合密度网络学习各个时间t时的得分差异的步骤包括：将各个时间t时的所述得分差异与各个时间t时的实际得分差异进行比较；以及利用找到最优参数集的负的对数可能性，使所述得分差异与所述实际得分差异之间的误差最小化。4.根据权利要求1所述的方法，其中，由所述神经网络基于各个球队的阵容特征、在作为给定时间的各个时间t时各个赛事的当前状态以及各个时间t时的当前得分记录表，学习在各个时间t时可能在各个赛事中的一个或更多个球员的步骤包括：学习一个或更多个阵容编码特征。5.根据权利要求4所述的方法，所述方法还包括以下步骤：利用所述一个或更多个阵容编码特征，对随机森林分类器集合进行训练。6.根据权利要求1所述的方法，其中，各个球队的所述阵容特征被表示为由针对各个球队的各个球员构建的多个阵容向量的并集。7.根据权利要求1所述的方法，其中，各个时间t时各个赛事的所述当前状态是由包括直到时间t时和各个时间t时的各个详细报道事件的向量代表的。8.一种对体育赛事的结果进行预测的系统，所述系统包括：处理器；以及存储器，所述存储器存储有编程指令，所述编程指令在由所述处理器执行时，执行包括以下项的一个或更多个操作：从数据存储部取回跟踪数据，所述跟踪数据包括跨多个赛季的多场赛事的赛事数据；通过以下操作使用深度神经网络生成预测模型：
由神经网络基于各个球队的阵容特征、在作为给定时间的各个时间t时各个赛事的当前状态以及各个时间t时的当前得分记录表，学习在各个时间t时可能在各个赛事中的一个或更多个球员；生成包括在各个时间t时可能在各个赛事中的所述一个或更多个球员的数据集；以及由混合密度网络基于各个球队的所述阵容特征、时间t时各个赛事的所述当前状态、各个时间t时的所述当前得分记录表、以及包括各个时间t时可能在各个赛事中的所述一个或更多个球员的数据集，学习各个时间t时的得分差异；接收生成时间T时所述体育赛事的预测结果的指示；以及经由所述预测模型，基于所述体育赛事中的各个球队的阵容特征、时间T时所述体育赛事的当前状态、时间T时的当前得分记录表、以及时间T时所述体育赛事中的当前阵容，生成所述体育赛事的最终得分差异。9.根据权利要求8所述的系统，其中，接收生成时间T时...

【专利技术属性】
技术研发人员：H，
申请(专利权)人：斯塔特斯公司，
类型：发明
国别省市：