利用稀疏输出增强轨迹预测：在团队运动中的应用
机器学习
2021-06-02 v1 机器学习
摘要
有效模拟团队动态的复杂轨迹预测模型对体育教练、转播商和观众有许多潜在用途。然而，通过对足球数据的实验我们发现，训练一个用于球员轨迹预测的深度学习模型以在预测与真实未来轨迹的平均距离上优于线性外推，可能出奇地困难。我们提出并测试了一种通过预测稀疏轨迹并使用恒定加速度插值来改进训练的新方法，其改善了若干模型的性能。该插值也可用于未以稀疏输出训练的模型，我们发现这持续改善了所有被测模型的性能。此外，我们发现通过以其他球员的完整轨迹为条件，可改善子集球员预测轨迹的准确性，且当与稀疏预测结合时这一点进一步增强。我们还提出了一种使用图网络和多头注意力（GraN-MA）的新架构，其在我们的数据集上取得了优于其他被测最先进模型的性能，并可轻易适配于稀疏轨迹和全轨迹条件轨迹预测。
引用
@article{arxiv.2106.00173,
title = {Enhancing Trajectory Prediction using Sparse Outputs: Application to Team Sports},
author = {Brandon Victor and Aiden Nibali and Zhen He and David L. Carey},
journal= {arXiv preprint arXiv:2106.00173},
year = {2021}
}
备注
10 pages (not including references), 7 figures. Published in Neural Computing and Applications on 20 March 2021