STGCN-LSTM 用于奥运奖牌预测：动态功率建模与因果策略优化
机器学习
2025-04-08 v3
摘要
本文提出一种新型混合模型 STGCN-LSTM，用于预测奥运奖牌分布，通过整合国家间的时空关系以及国家绩效的长期依赖。空间-时间图卷积网络 (STGCN) 捕捉地理和交互因素——如教练交流和社会经济联系——而长短期记忆 (LSTM) 模块则建模奖牌计数、经济数据和人口统计数据的历史趋势。为解决零膨胀输出问题（即持续获得获胜国家与从未获奖国家之间的差距），采用零膨胀复合泊松 (ZICP) 框架，将随机零与结构性零分离，提供潜在突破表现的更清晰视角。验证包括历史回溯、政策冲击模拟和因果推断检查，确认所提方法的稳健性。结果揭示了教练流动性、赛事专业化及战略投资对奖牌预测的影响，为在多样化的奥运情境下优化体育政策和资源分配提供数据驱动依据。
引用
@article{arxiv.2501.17711,
title = {STGCN-LSTM for Olympic Medal Prediction: Dynamic Power Modeling and Causal Policy Optimization},
author = {Yiquan Wang and Jiaying Wang and Tin-Yeh Huang and Jingyi Yang and Zihao Xu},
journal= {arXiv preprint arXiv:2501.17711},
year = {2025}
}
备注
18pages, 7figures