[发明专利]一种基于机器学习的足球比赛胜负实时预测方法

权利要求书

1.一种基于机器学习的足球比赛胜负实时预测方法，其特征在于，包括如下步骤：

S1：根据足球比赛不同类型的特征数据，将每场足球比赛的特征数据划分为球队及球场信息、事件流信息、轨迹信息三部分；

S2：对所有足球比赛历史数据进行特征提取和筛选，并确定历史球员的评分标签，将筛选后的足球比赛历史数据与所述历史球员的评分标签进行整合，构建历史数据集；

所述S2具体为：

S21：对所有足球比赛历史数据进行所述球队及球场信息和所述轨迹信息的特征提取，并对特征提取后的足球比赛历史数据进行筛选；

S22：球员的历史评分标签来自于Whoscore网站，并且通过比赛日期、球队和球衣号码与筛选后的历史特征数据进行整合，构建历史数据集；

S3：将所述历史数据集划分为训练集和测试集，并确定评价指标和评价模型,得到球员的历史评分；

S4：对所有足球比赛实时数据进行特征提取和筛选，并设置所述事件流信息的标签，将筛选后的足球比赛实时数据与所述事件流信息标签进行整合，构建实时数据集；

S5：将所述实时数据集划分为训练集和测试集，并确定评价指标、评价模型和评分算法,得到球员的实时评分；

所述S5具体为：

将所述实时数据集按照8:1的比例划分为训练集和测试集，选用TTEE和EPA作为评价指标，并利用VAEP算法进行实时球员评分；

S6：将所述球员的历史评分和所述球员的实时评分进行特征融合并扩展，生成新的特征数据集；

所述S6具体为：

将所述球员的历史评分和所述球员的实时评分通过短时傅里叶变换STFT中的滑窗思想进行特征融合，并引入场均进球数、球队积分榜、球队实力特征进行扩展，生成新的特征数据集；

S7：将所述新的特征数据集划分为训练集和测试集，并确定评价指标和预测算法，训练出预测模型得到预测结果；

所述S7具体为：

将所述特征数据集按照8:1的比例划分为训练集和测试集，所述评价指标选用精确度和召回率；所述预测算法选用图卷积网络和深度卷积网络的组合结构，训练出预测模型。

2.根据权利要求1所述的一种基于机器学习的足球比赛胜负实时预测方法，其特征在于，

主客队信息包括主客队球员名称、司职位置、球场尺寸；

比赛事件信息包含足球比赛过程中发生的事件，记录了事件相关球员、事件名称、事件发生坐标；

坐标信息用于记录每一个事件流所有球员以及足球的位置坐标。

3.根据权利要求1所述的一种基于机器学习的足球比赛胜负实时预测方法，其特征在于，所述S3具体为：

将所述历史数据集按照3:1的比例划分训练集和测试集；所述评价指标为均方根误差；评分模型分为前锋球员、中锋球员、后卫球员以及门将球员4个模型；并采用岭回归算法进行历史球员评分。

4.根据权利要求1所述的一种基于机器学习的足球比赛胜负实时预测方法，其特征在于，所述S4具体为：

S41：对所有足球比赛实时数据进行所述事件流信息的特征提取，并对特征提取后的足球比赛实时数据进行筛选；

S42：球员的实时评分标签根据进球标签和失球标签分别标注，并且通过当前时刻的事件信息和前3个时刻的事件信息以丰富时间维度的信息与筛选后的实时特征数据进行整合，并将当前时刻两支球队的进球数、进球差也融入进去，得到实时数据集。