基于 TCDformer 的长期体育预测动量迁移模型
机器学习
2024-09-17 v1 应用统计
摘要
准确的体育预测是专业教练的一项关键技能，可协助制定有效的训练策略与科学的比赛战术。传统方法常使用复杂的数理统计技术来提升可预测性，但这往往受限于数据集规模，且难以处理具有可变分布的长期预测，在预测盘-局-赛多层级比赛时表现明显不佳。为应对这一挑战，本文提出了 TM2，一种基于 TCDformer 的长期体育预测动量迁移模型，包含动量编码模块与基于动量迁移的预测模块。TM2 首先使用局部线性缩放近似（LLSA）模块对大规模非结构化时间序列中的动量进行编码。随后，将带有动量迁移的重建时间序列分解为趋势与季节分量。最终预测结果由用于预测趋势分量的多层感知机（MLP）与用于季节分量的小波注意力机制相加组合得出。综合实验结果表明，在 2023 年温布尔登男子锦标赛数据集上，TM2 在性能上显著超越现有体育预测模型，将 MSE 降低了 61.64%，MAE 降低了 63.64%。
引用
@article{arxiv.2409.10176,
title = {TCDformer-based Momentum Transfer Model for Long-term Sports Prediction},
author = {Hui Liu and Jiacheng Gu and Xiyuan Huang and Junjie Shi and Tongtong Feng and Ning He},
journal= {arXiv preprint arXiv:2409.10176},
year = {2024}
}
备注
Under reviewing