用于排球分析的图编码与神经网络方法：从比赛结果到个人击球预测

本研究旨在提高复杂排球预测的准确性，并为教练和球员提供更有意义的见解。我们引入了一种专门的图编码技术，在无需额外数据收集的情况下，向已有的排球数据集添加额外的逐次接触排球上下文。我们展示了在该丰富数据集上使用图神经网络（GNNs）对三种不同排球预测任务的潜在益处：回合结果预测、落点位置预测和击球类型预测。我们将基于图的模型与基线模型进行比较，并分析结果以更好地理解排球回合中的潜在关系。我们的结果表明，使用带有我们图编码的GNNs可对数据进行更先进的分析，从而整体显著改善预测结果。我们还表明，这些基线任务可通过简单调整（如移除被拦击球）得到显著改进。最后，我们展示了选择能更好提取特定任务重要信息的模型架构的重要性。总体而言，我们的研究展示了在体育数据分析中使用图编码的潜在优势与不足，并有望通过使用基于图的编码启发未来跨体育和应用的机器学习策略改进。