DyWIS：基于动态加权影响得分的机器学习算法，用于精英级羽毛球单打比赛中的胜负预测

《IEEE Access》：DyWIS: Dynamic Weighted Influence Score-Based Machine Learning for In-Game Win Loss Prediction in Elite Badminton Singles

　　

摘要：

羽毛球是一项运动，在这项运动中，敏捷性、预判能力和战术决策对比赛结果有着重要影响。尽管最近的研究表明可以在比赛和排名层面对羽毛球的表现和结果进行定量建模，但关于比赛过程中动态变化及实时胜率预测的研究仍然有限。大多数现有研究依赖于从视频中提取的特征或生物力学数据，这些方法计算成本较高，不适合实时应用。本研究通过引入一个可解释且数据驱动的框架来填补这些空白，该框架能够实现轻量级的实时部署，利用比赛过程中的得分差异动态来预测精英男子单打比赛的结果。我们收集了2018年至2023年间羽毛球世界联合会（BWF）比赛中的18,742场比赛数据，并筛选出涉及排名前十选手的1,021场比赛作为研究样本。我们提出了一种新颖的动态加权影响得分（DyWIS）框架，该框架将机器学习分类器与选手特定的绝对胜率（AW）和绝对失分（AL）阈值相结合，并根据历史胜率和当前比赛得分动态动态调整预测置信度。实验在多个比赛节点（r = 20至40）评估了预测性能，结果显示：对于几种表现优异的分类器，在r = 20时DyWIS的预测准确率平均超过84%；当比分差异进入决定性的AW/AL区域时，预测准确率接近确定性。在r = 40时，DyWIS-KNN和DyWIS-linSVM的平均准确率分别达到93.37%和93.19%，而DyWIS-XGBoost的准确率为92.85%，显著优于以往研究中重新实现的基线模型。总体而言，结果表明，随着比赛进程的推进，DyWIS能够更早、更稳定地预测胜负结果，支持实时分析和教练决策...

显示更多