基于九千八百四十场比赛序列长度的 LSTM 模型用于 NBA 比赛结果预测：一种新型多赛季数据集
机器学习
2025-12-10 v1 神经与进化计算
摘要
预测职业篮球比赛结果，特别是美国职业篮球协会（NBA）中的比赛，对于教练战略、粉丝参与和体育赛博 betting 至关重要。然而，许多现有的预测模型在概念漂移、有限的时序上下文和跨季节稳定性方面存在挑战。为推进该领域的预测，我们构建了一个覆盖 2004-05 至 2024-25 赛季的纵向 NBA 数据集，并提出了一种深度学习框架，用于建模长期性能趋势。我们的主要贡献是一种长短期记忆（LSTM）架构，利用相当于八个完整 NBA 赛季的 9,840 场比赛的扩展序列长度，以捕捉演化中的团队动态和季度间依赖关系。我们将该模型与几种传统机器学习（ML）和深度学习（DL）基线方法进行比较，包括逻辑回归、随机森林、多层感知机（MLP）和卷积神经网络（CNN）。LSTM 在所有指标上均取得最佳性能，准确率为 72.35%，精确率为 73.15%，AUC-ROC 为 76.13。这些结果表明，在篮球赛果预测中，长序列时序建模的重要性，以及我们新构建的多赛季数据集对于开发稳健、可泛化的 NBA 预测系统具有重要价值。
引用
@article{arxiv.2512.08591,
title = {Long-Sequence LSTM Modeling for NBA Game Outcome Prediction Using a Novel Multi-Season Dataset},
author = {Charles Rios and Longzhen Han and Almas Baimagambetov and Nikolaos Polatidis},
journal= {arXiv preprint arXiv:2512.08591},
year = {2025}
}