应用深度双向 LSTM 与混合密度网络进行篮球轨迹预测
人工智能
2018-02-14 v1
摘要
数据分析有助于篮球队制定战术。然而，人工数据收集与分析成本高且效率低。因此，我们应用了一种深度双向长短期记忆（BLSTM）与混合密度网络（MDN）相结合的方法。该模型不仅能基于真实数据预测篮球轨迹，还能生成新的轨迹样本。这是一项帮助教练和球员决定何时何地投篮的优秀应用。其结构特别适合处理时间序列问题。BLSTM 同时接收前向和后向信息，而堆叠多个 BLSTM 进一步增强了模型的学习能力。结合 BLSTM，MDN 用于生成输出的多模态分布。因此，所提出的模型原则上可以表示输出变量的任意条件概率分布。我们使用 NBA SportVu 数据中的三分球数据集进行了两个实验来测试模型。在命中/未命中分类实验中，所提出的模型在收敛速度和准确率方面均优于其他模型。在轨迹生成实验中，模型在给定时刻生成的八条轨迹与真实轨迹高度吻合。
引用
@article{arxiv.1708.05824,
title = {Applying Deep Bidirectional LSTM and Mixture Density Network for Basketball Trajectory Prediction},
author = {Yu Zhao and Rennong Yang and Guillaume Chevalier and Rajiv Shah and Rob Romijnders},
journal= {arXiv preprint arXiv:1708.05824},
year = {2018}
}