基于GPT框架的EventGPT：从团队动作序列中捕捉球员影响

转会在塑造足球俱乐部成功方面起着关键作用，但由于现场表现高度依赖情境，预测转会是否成功仍然困难。现有的评估实践常依赖静态概要统计或事后价值模型，无法捕捉球员在新战术环境或不同队友下的贡献如何适应。为解决这一问题，我们介绍EventGPT，这是一个基于GPT风格自回归变压器构建的球员条件、价值感知的下一事件预测模型。我们的模型将比赛播放视为离散记号的序列，联合学习预测下一个在球操作的类型、位置、时间，以及基于前文和球员身份的其估计剩余球在价值（residual On-Ball Value, rOBV）。本框架的关键贡献在于能够进行反事实模拟。通过将所学习的球员嵌入置于新的事件序列中，我们可以模拟球员在被置于不同球队或战术结构时，其行为分布和价值轮廓如何变化。在评估了五个赛季的英超赛事数据后，EventGPT在下一事件预测准确率和空间精度方面均优于现有的基于序列的基线方法。此外，我们通过案例研究（如比较不同体系中的锋线表现，识别特定角色的风格替代品）展示了该模型的实际用途，显示我们的做法提供了一种原则性的方法，用于评估转会匹配度。