What Influences the Field Goal Attempts of Professional Players? Analysis of Basketball Shot Charts via Log Gaussian Cox Processes with Spatially Varying Coefficients
本文提出一种带空间变化系数的贝叶斯对数高斯Cox过程模型，联合分析篮球投篮位置与结果的空间模式，通过MCMC算法推断空间相对风险，并以NBA球星数据验证了方法在优化投篮策略上的有效性。
2025-03-04 stat.AP stat.ME
Multidimensional heterogeneity learning for count value tensor data with applications to field goal attempt analysis of NBA players
我们提出了一个多维张量聚类方法来研究职业篮球运动员的投篮模式如何随球场位置和比赛时间而变化。与大多数现有的方法，只研究连续值张量或必须假设相同的集群结构沿不同的张量方向，我们提出了一个贝叶斯非参数模型，处理计数值张量和项目之间的异质性张量尺寸的球员，同时允许集群结构是不同的方向。我们的方法是完全概率的，因此允许同时推断集群的数量和集群配置。提出了一种有效的后验抽样方法，并建立了后验分布的大样本收敛性。仿真研究表明，所提出的方法具有良好的经验性能。最后，对2017-2018赛季常规赛期间从191名NBA球员收集的投篮图表数据进行了应用，并揭示了篮球分析的一些有趣见解。
2022-05-20 stat.AP stat.ME
An Empirical Bayes Approach for Estimating Skill Models for Professional Darts Players
针对2019赛季16名职业飞镖选手数据，提出两种基于Dirichlet-Multinomial的经验贝叶斯技能模型，并验证其在评分规则和零和博弈中优于基准模型。
2024-06-13 stat.AP
How do the professional players select their shot locations? An analysis of Field Goal Attempts via Bayesian Additive Regression Trees
本文提出FBART和AFBART模型分析NBA球员投篮尝试的空间强度曲面，以量化投篮倾向并改进表现预测，为优化比赛策略提供统计工具。
2025-03-10 stat.AP stat.ME
Bayesian inferences on uncertain ranks and orderings: Application to ranking players and lineups
通常对实体之间的排名或顺序关系感兴趣。在不直接测量作为排名基础的单变量统计的复杂设置中，这样的推断通常依赖于具有实体特定参数的统计模型。这些可以被视为表征实体间变异的分层模型中的随机效应。在本文中，我们特别感兴趣的排名篮球运动员的问题，他们对球队表现的贡献。使用美国国家篮球协会（NBA）的数据，我们发现许多球员有相似的潜在能力水平，使任何单一的估计排名高度误导。目前的文献未能提供充分说明不确定性的顺序关系的总结。出于这一动机，我们提出了一个贝叶斯策略，用于表征球员和阵容之间的顺序关系的推断中的不确定性。我们的方法适应的情况下，在订购的不确定性是高的，产生更保守的结果，提高可解释性。这是通过决策理论框架内的奖励函数来实现的。我们将我们的方法应用于2009-10 NBA赛季的数据。
2022-04-11 stat.AP stat.ME
Modeling Player and Team Performance in Basketball
近年来，分析已经开始彻底改变篮球比赛：对比赛的定量分析为球队战略、球员健康和体能管理以及球队如何选秀、签约和交易球员提供了信息。在这篇评论中，我们专注于量化和表征篮球比赛的方法。在团队层面，我们讨论了表征团队策略和表现的方法，而在球员层面，我们深入研究了无数的球员评估工具。这包括整体球员价值，防守能力和投篮建模的指标，以及通过球员生产曲线了解多个赛季表现的方法。最后，我们对篮球分析的未来进行了讨论，特别强调了体育运动中因果推断的必要性。
2020-07-21 stat.AP
A Continuous-time Stochastic Block Model for Basketball Networks
对于职业篮球来说，找到有价值和合适的球员是建立一支获胜球队的关键。为了应对此类挑战，篮球经理、球探和教练越来越多地转向分析。对球员和球队的客观评价一直是篮球分析的首要目标。典型的统计分析主要集中在盒子分数上，并开发了各种指标。尽管有越来越先进的方法，建立在框得分统计的指标提供有限的信息，球员如何相互作用。两名得分相似的球员可能会表现出不同的团队打法。因此，职业篮球球探必须观看真正的比赛来评估球员。现场侦察是有效的，但遭受效率低下和主观性。在本文中，我们超越了静态的盒子得分和模型篮球比赛作为动态网络。所提出的连续时间随机块模型聚类的球员根据他们的演奏风格和性能。该模型提供了集群特定的球员在得分，篮板，抢断等的有效性估计，并捕捉集群内和集群之间的球员互动模式。通过将相似的球员聚集在一起，该模型可以帮助篮球球探缩小搜索空间。此外，该模型能够揭示不同球队进攻策略的细微差异。NBA篮球比赛的应用程序说明了该模型的性能。
2016-07-23 stat.AP
Markov Decision Processes with Dynamic Transition Probabilities: An Analysis of Shooting Strategies in Basketball
在本文中，我们从球队特定的非平稳马尔可夫决策过程（MDP）的镜头时钟依赖的转移概率的情节模型的篮球比赛。贝叶斯分层模型被用于转移概率的建模和参数化，以跨参与者和通过时间借用力量。为了使计算的可行性，我们结合阵容特定的MDP到团队平均MDP使用一种新的过渡加权方案。具体而言，我们推导出团队平均过程的动态，使得任意状态对的预期转换计数等于单独阵容特定MDP的预期计数的加权和。然后，我们利用这些非平稳MDP在创建一个篮球比赛模拟器的不确定性传播通过模型组件的后验样本。校准后，我们模拟了政策内和政策改变下的季节，并探索了替代政策下效率和产量的净变化。此外，我们还讨论了测试替代决策政策的博弈论后果。
2020-04-21 stat.AP stat.ME
Augmenting Adjusted Plus-Minus in Soccer with FIFA Ratings
在篮球和曲棍球中，最先进的球员价值统计通常是调整后的正负（APM）的变体。但是APM在足球比赛中没有同样的影响，因为足球比赛的得分很低，换人的次数也很少。在足球领域，也许最全面的球员价值统计数据来自视频游戏，特别是FIFA。FIFA评级将9000多名球探、教练和季票持有者的主观评价结合起来，对18,000多名球员进行评级。本文将FIFA评级和APM结合成一个单一的度量标准，我们称之为增强APM。关键的想法是将APM重新塑造成贝叶斯框架，并将FIFA评级纳入先验分布。我们表明，增强APM预测优于标准APM和模型只使用国际足联评级。我们还表明，增强APM解相关的球员是高度共线的。
2018-10-18 stat.AP
STAMP: A shot-type-aware areal multilevel Poisson model for league-wide comparison of basketball shot charts
Graduate School of Informatics, Nagoya University（名古屋大学情报大学院）；Center for Advanced Intelligence Project, RIKEN（理化学研究所先进智能项目中心）
本文提出STAMP模型，通过泊松似然和基于控球的暴露偏移，联合建模球队在预定义区域、赛季和投篮类型上的投篮尝试，实现对投篮类型特性的公平比较。
2026-03-25 stat.AP stat.ME
Does the winning team always covers the point spread? A study in professional basketball since 1990
在体育博彩中，预测比赛的获胜者比预测下注的球队更容易。因为，获胜的球队可能不会支付赌注。本研究的重点是变量赢的投注变量覆盖点传播的关系。该研究使用来自职业篮球的数据（投注线和分数）进行，并试图回答这个问题：获胜的球队总是覆盖点差吗？为了回答这个问题，进行回归分析，考虑到最多和最少获胜的球队，连同他们的投注变量，自1990-1991年NBA赛季。回归结果被插入SPXS专家系统，揭示了一个间接的因素分析，相关的投注变量与球队获胜的百分比。
2019-01-17 stat.AP
Zero Inflated Poisson Model with Clustered Regression Coefficients: an Application to Heterogeneity Learning of Field Goal Attempts of Professional Basketball Players
虽然篮球是一项动态过程的运动，5 + 5球员同时在进攻和防守上竞争，但对于专业球员，教练员和球队经理来说，学习一些静态信息是占主导地位的。为了深入了解不同运动员的投篮命中率，提出了一个具有聚类回归系数的零膨胀泊松模型来研究不同运动员的投篮命中率，以及不同运动员之间的异质性。具体而言，零膨胀模型恢复了大部分零投篮命中率的球场，有限混合模型基于聚类回归系数和膨胀概率学习不同球员之间的异质性。通过仿真研究的理论和经验的理由验证了我们提出的方法。我们将我们提出的模型应用于美国国家篮球协会（NBA），以学习球员的投篮习惯和不同球员在2017- 2018常规赛中的异质性。这说明我们的模型是一种从不同方面提供见解的方式。
2021-04-02 stat.AP
Modelling basketball players' performance and interactions between teammates with a regime switching approach
篮球运动员的表现测量对于与训练和比赛策略相关的广泛决策至关重要。尽管这一公认的核心作用，关于这一主题的研究的主要部分集中在业绩水平的衡量，忽视了其他重要的特点，如可变性。在本文中，射击性能的变化与马尔可夫切换动态建模，假设存在两个交替的性能制度。然后，将各队员的变异性与阵容构成之间的关系建模为一个带协变量的ARIMA过程，并利用网络分析工具进行描述，以推断队友之间的正、负交互作用
2019-12-22 stat.AP
Players Movements and Team Shooting Performance: a Data Mining approach for Basketball
在体育分析领域，全球定位系统设备被广泛使用，因为它们允许检索球员的运动。团队运动的管理者和教练员对运动员的运动模式与团队表现之间的关系很感兴趣，以便更好地管理他们的团队。在本文中，我们提出了一个聚类分析和多维标度的方法来找到和描述单独的模式的球员运动。使用多个职业篮球队的真实数据，我们发现，一致地在不同的案例研究，在防守集群球员是接近彼此，而过渡集群的特点是由一个大的空间之间。此外，我们发现球员的定位模式，产生最佳的投篮成绩。
2018-05-04 stat.AP
A Continuous-Time Stochastic Process for High-Resolution Network Data in Sports
本文提出一种连续时间随机过程建模团队运动中球员时空交互，采用贝叶斯方法从高分辨率网络数据中学习，并应用于意大利足球联赛验证其有效性。
2024-02-12 stat.AP
A Bayesian analysis of home advantage in professional squash
本文基于2018–2024年PSA男女比赛数据，用纳入世界排名和本国参赛因素的贝叶斯分层模型估计职业壁球主场优势，发现其分别使男子和女子预期局差提高0.4局和0.3局。
2025-06-10 stat.AP
Can the hot hand phenomenon be modelled? A Bayesian hidden Markov approach
本文提出一种贝叶斯隐马尔可夫模型，用于分析篮球比赛中热手现象，通过考虑隐藏状态和投篮距离建模成功概率，以量化球队连续命中势头。
2025-12-01 stat.AP
How exceptional was the Big Three era? Extremes and persistence in men's professional tennis
School of Science and Technology, IE University（IE大学科学与技术学院）
该研究通过贝叶斯动态布拉德利-特里模型分析网球比赛数据，发现三巨头时代的特殊之处在于三名球员长期占据顶尖位置，而非球员个人实力远超历史选手。
2026-08-28 stat.AP
Space-Time Analysis of Movements in Basketball using Sensor Data
全球定位系统（GPS）现在被广泛用于体育科学，因为它们允许捕捉运动员的时空轨迹，目的是除了传统的统计数据外，还可以为教练推断有用的信息。在我们对篮球的应用中，我们使用了聚类分析，以便将比赛分成多个独立的时间段，每个时间段都可以识别球场上球员之间的同质空间关系。结果使我们能够识别球员之间的间距差异，区分防守或进攻行动，分析从一个特定的组到另一个转移概率。
2017-07-04 stat.AP
Characterizing the spatial structure of defensive skill in professional basketball
虽然篮球是一项二元运动，所有球员都在进攻和防守上竞争，但几乎所有这项运动的传统指标都是为了总结进攻性比赛。因此，对球员的评价主要是基于进攻表现，而对防守表现的评价要少得多。抢断、盖帽和防守篮板只是防守有效性的一个有限的总结，但它们之所以存在，是因为它们总结了容易观察到的突出事件。由于传统防御统计的无效性，防御分析的最新技术仍然是定性的，基于专家的直觉和分析，容易受到人为偏见和不精确的影响。幸运的是，新兴的光学球员跟踪系统有可能实现对篮球表现，特别是防守表现的更丰富的定量表征。不幸的是，由于计算和方法的复杂性，这一潜力仍未得到满足。本文试图填补这一空白，结合空间和时空过程，矩阵分解技术和分层回归模型与球员跟踪数据，以推进NBA防守分析的状态。我们的方法检测，表征和量化篮球防守的多个方面，支持防守有效性的一些共识，挑战他人，并开辟了许多新的见解篮球防守元素。
2015-05-28 stat.AP
A PageRank Model for Player Performance Assessment in Basketball, Soccer and Hockey
在足球、曲棍球和篮球运动中，最常用的运动员成绩评定统计分为两类：进攻统计和防守统计。然而，对组织进攻的定性评估（例如做出“聪明”的传球）很难量化。如果有一个单一的统计数据可以强调游戏的流程，奖励那些发起并为成功游戏做出更多贡献的玩家，这将是有利的。在本文中，我们将研究一个基于Google PageRank的模型。其他论文探讨了排名球队，教练和队长，但在这里，我们构建评级和排名的个人成员在两支球队，强调发起和参与成功的发挥和迫使防守失误。对于足球/曲棍球/篮球比赛，我们的模型为参加比赛的n名球员中的每一个分配一个节点和一个“目标节点”。运动员节点之间的弧表示特定于运动的情况（包括传球、失误、得分、犯规、出界、比赛停止、失误、投篮不中、防守等），为每项运动量身定制。此外，还添加了一些额外的弧，以确保相关的矩阵是原始的，因此存在唯一的PageRank向量。关联矩阵的PageRank向量用于对游戏的玩家进行排名。为了说明这个模型，数据来自2014-2016年间的9场NBA比赛。在一场给定的比赛中，许多排名靠前的球员（在模型中）都有一些最令人印象深刻的传统数据线。然而，从模型中也有一些令人惊讶的地方，一些球员谁拥有令人印象深刻的统计线有较低的排名，而其他人谁没有令人印象深刻的统计线有较高的排名。总的来说，与传统的体育统计数据相比，该模型的排名和评级更能反映比赛的流程。
2017-03-31 stat.AP
An Investigation of Three-point Shooting through an Analysis of NBA Player Tracking Data
我解决了测量竞争篮球比赛策略的相对影响的困难挑战，我把我的分析，发挥在三分球。我使用了来自600多场NBA比赛的大量SportVU球员跟踪数据来获得基于位置的自定义功能，这些功能可以从比赛数据中捕获有形的比赛策略，例如团队合作，球员比赛和控球后卫距离。然后，我展示了统计方法来衡量任何给定的篮球策略的相对重要性。在这样做的时候，我强调了团队合作在影响三分球成功方面的重要性。通过将SportVU数据与先进的变量重要性算法相结合，我能够提取有意义的结果，这在3年前是不可能实现的。此外，我演示了如何球员跟踪为基础的功能，可以用来衡量球员的三分球投篮倾向，我展示了这种测量方法可以识别有效的射手，无论是高度利用或利用不足。总而言之，我的研究结果提供了大量的工作，影响篮球战略，并衡量篮球运动员的有效性。
2017-03-21 stat.AP
Possession-Level Player Impact in the Pre-Play-by-Play NBA Era: A Video-Reconstructed RAPM Database, 1984--1996
Squared2020 Statistics（Squared2020 统计）
通过手动从广播视频重建比赛数据，构建了1984-1996赛季首个控球级别球员影响力数据库，并采用加权岭回归估计RAPM，为历史分析提供了基础。
2026-05-22 stat.AP
The Causal Effect of the Two-For-One Strategy in the National Basketball Association
The Ohio State University（俄亥俄州立大学）；Centre College（中心学院）
本研究通过因果推断分析发现，NBA中二换一策略对比赛结果有积极影响，且在不同情境下效果一致。
2026-01-07 stat.AP
Factorized Point Process Intensities: A Spatial Analysis of Professional Basketball
我们开发了一种机器学习方法来表示和分析NBA职业篮球运动员投篮选择的基本空间结构。通常，NBA球员的讨论和比较是以一种启发式的、不精确的方式进行的，这种方式依赖于对球员行为的不可测量的直觉。这使得很难在玩家之间进行比较，并做出准确的玩家特定预测。将投篮尝试数据建模为一个点过程，建立了NBA进攻型球员类型的低维表示。使用非负矩阵分解（NMF），无监督降维技术，我们表明，一个低秩的空间分解总结了NBA球员的投篮习惯。该算法发现的空间表示对应于NBA球员类型的直观描述，并可用于建模其他空间效应，如投篮准确性。
2014-01-08 stat.AP stat.ML
Sensor Analytics in Basketball
团队运动分析的一种新方法是研究运动员在比赛中的位置和运动与团队表现的关系。最先进的跟踪系统产生玩家的时空轨迹，这促进了旨在从轨迹中提取见解的各种研究。借鉴了机器学习、网络与复杂系统、地理信息系统、计算机视觉和统计学等领域的方法。在回顾了这些利基文献中的最新技术，旨在为分析师和专家提取有用的信息，球员的轨迹和团队表现之间的关系，本文提出了初步的结果，从分析轨迹数据，并揭示了潜在的未来研究在这一领域的研究。特别是，使用凸包，我们发现有趣的运动员的运动模式。
2017-07-04 stat.AP
Continuous-time state-space modelling of the hot hand in basketball
本研究利用NBA罚球数据，通过连续时间状态空间模型（采用奥恩斯坦-乌伦贝克过程）验证了热手效应的存在，但发现其影响幅度较小。
2020-11-09 stat.AP
A doubly self-exciting Poisson model for describing scoring levels in NBA basketball
本文提出一种遵循INGARCH(1,1)设定的双重自激发Poisson时间序列模型，结合贝叶斯分治过程，用于描述NBA球队和球员在比赛及分钟级别的投篮命中数，有效处理了数据的时间自相关性。
2023-04-04 stat.AP
Bayesian Nonparametric Estimation for Point Processes with Spatial Homogeneity: A Spatial Analysis of NBA Shot Locations
篮球投篮位置数据为教练、体育分析师、球迷、统计学家以及球员本身提供了关于球员的有价值的摘要信息。这些数据以空间点为代表，自然可以用空间点过程模型进行分析。我们提出了一种新的非参数贝叶斯方法学习的基础上建立的狄利克雷过程和马尔可夫随机场的组合强度表面。我们的方法具有的优势，有效地鼓励局部空间均匀性时，估计一个全球性的非均匀强度表面。后验推理采用高效的马尔可夫链蒙特卡罗（MCMC）算法。仿真研究表明，该方法的推理是准确的，是优于竞争的方法。应用于$20$代表性NBA球员在2017-2018常规赛中的投篮位置数据，提供了关于这些球员投篮模式的有趣见解。与竞争方法的比较表明，所提出的方法可以有效地将空间连续性的强度表面的估计。
2020-11-23 stat.AP stat.ME
Predictions Based on the Clustering of Heterogeneous Functions via Shape and Subject-Specific Covariates
我们考虑一项研究的球员受雇于球队谁是国家篮球协会的成员，观察单位是功能曲线，是实现生产测量的过程中采取的一个人的职业生涯。观察到的功能输出显示大量的球员之间的异质性，在这个意义上说，一些人产生的曲线是相当平滑的，而其他人是（多）更不稳定。我们认为，曲线形状的这种可变性是一个可以用来指导决策，了解正在研究的过程和提高预测的功能。在本文中，我们开发了一种方法，利用这一功能时，聚类功能曲线。个体曲线使用贝叶斯惩罚B样条灵活地建模，而分层结构允许通过个体曲线的平滑度来指导聚类。从某种意义上说，分层结构平衡了很好地拟合各个曲线的愿望，同时仍然产生用于指导预测的有意义的聚类。我们无缝地将现有的协变量信息，引导曲线的聚类非参数化通过使用一个产品分区模型之前的随机分区的个人。基于曲线平滑度和特定主题的协变量信息的聚类在进行两种类型的预测时特别重要，这两种类型的预测是感兴趣的，即完成活跃球员的部分观察曲线的预测，以及预测尚未在NBA打球的球员的整个职业生涯曲线的预测。
2015-05-11 math.ST stat.AP stat.TH
Expected Points Above Average: A Novel NBA Player Metric Based on Bayesian Hierarchical Modeling
本研究基于贝叶斯分层模型框架提出新型篮球评估指标EPAA及球队预期得分指标，通过后验预测分布按投篮倾向与能力聚类，以近十年出手前100的球员验证，与传统指标对比后还开发了Shiny应用供拓展分析。
2025-08-01 stat.OT
Bayesian isotonic logistic regression via constrained splines: an application to estimating the serve advantage in professional tennis
在职业网球比赛中，发球方往往具有先发优势。事实上，大多数分数都是由发球者赢得的，这使得发球成为这项运动中最重要的元素之一。在本文中，我们专注于发球优势的作用，赢得一个点作为一个函数的集会长度。本文提出了一个关于发球得分概率的贝叶斯保序逻辑斯谛回归模型。特别是，我们通过B样条基函数的线性组合来分解获胜概率的logit，并具有运动员特定的基函数系数。此外，我们通过对样条系数施加约束，确保发球优势随拉力赛长度而减小。我们还考虑了每个球员的反弹能力，并研究了不同类型的法院可能会影响球员的反弹能力。我们将我们的方法应用于大满贯单打比赛数据集。
2019-08-29 stat.AP stat.ME
A Multiresolution Stochastic Process Model for Predicting Basketball Possession Outcomes
篮球比赛在空间和时间上不断发展，因为球员不断与队友，对方球队和球互动。然而，目前对篮球比赛结果的分析依赖于对比赛的离散化总结，这些总结将这种相互作用减少到得分，助攻和类似事件的统计。在本文中，我们提出了一个框架，使用光学球员跟踪数据来估计，在实时，预期的拥有结束时获得的点数。这个量，称为\textit{expected possession value}（EPV），来自一个随机过程模型的篮球控球的演变，我们模拟这个过程中的多个层次的分辨率，区分连续的，无限小的运动的球员，和离散的事件，如投篮尝试和失误。过渡内核估计使用分层的时空模型，共享信息的球员，同时保持计算处理非常大的数据集。除了估计EPV，这些模型揭示了新的见解球员的决策倾向作为他们的空间策略的功能。
2016-02-25 stat.AP stat.CO
A multicriteria selection system based on player performance. Case study: The Spanish ACB Basketball League
在本文中，我们描述了一种方法来排名运动员的基础上，他们的效率。虽然是非常有用的分析团队比赛的表现，但没有使用单一的指数来执行这样的排名。我们提出了一种方法来总结的巨大信息量收集在不同方面的运动队，这是几乎每天公开。该工具将允许参与玩家谈判的代理显示玩家相对于其他玩家的优势（和劣势）。该方法是基于应用多标准的方法使用替代品的潜在的球员和标准不同的效率指数。详细介绍了一种新的自动参数调整方法，该方法将允许教练和体育经理设计模板和体育策略，以提高团队的效率。我们报告的结果进行了ACB篮球联赛上的可用信息，我们展示了它如何可以很容易地实施和解释在实践中不熟悉的数学方面的方法的决策者。
2018-02-20 math.OC stat.AP
A Statistical Model of Serve Return Impact Patterns in Professional Tennis
跟踪系统在体育运动中的广泛使用使得细粒度时空分析成为新兴体育分析行业的主要焦点。最近公布的男子职业网球的跟踪数据允许第一个详细的空间分析返回的影响。混合模型是一个有吸引力的基于模型的体育空间分析框架，其中潜变量发现往往是主要的兴趣。虽然有限混合模型具有可解释性和可扩展性的优点，但大多数实现都假设以潜变量为条件的结果的标准参数分布。在本文中，我们提出了一个更灵活的替代方案，允许潜在的条件分布是有限高斯混合的混合成员。我们的模型的动机是我们的努力，以描述常见的风格返回的影响位置的职业网球运动员，是我们命名的方法是一个“潜在的风格分配”模型的原因。在一个完全贝叶斯实现中，我们将该模型应用于2018年至2020年期间网球职业协会赛事中141名顶级球员的142，803个回球点，并表明潜在风格分配提高了有限高斯混合模型的预测性能，并确定了第一次和第二次发球回球的六种独特影响风格。
2022-02-01 stat.AP stat.ME
Are Made and Missed Different? An analysis of Field Goal Attempts of Professional Basketball Players via Depth Based Testing Procedure
本文提出一种基于深度的空间点过程检验方法，通过极坐标深度计算与二维Kolmogorov-Smirnov检验分析NBA球员投篮差异，经模拟和对比验证其性能更优，应用于191名球员数据得到投篮模式相关结论。
2024-03-25 stat.AP stat.ME
Detecting and classifying moments in basketball matches using sensor tracked data
体育运动中的数据分析对于评估单个球员和整个团队的表现至关重要。文献中提出了一些用于进攻和防守场景的工具。在这方面，来自玩家的跟踪位置的数据可以用于丰富有用信息的量。然而，在篮球运动中，动作与非活动期交织在一起。本文介绍了一种方法论的方法来自动识别活动期间的游戏，并将其分类为进攻或防守。该方法是基于阈值的应用程序的球员运动参数，其值进行调整策略类似于接收器操作特性曲线，使用从视频中提取的地面实况的游戏。
2019-06-27 stat.AP stat.OT
DeepHoops: Evaluating Micro-Actions in Basketball Using Deep Feature Representations of Spatio-Temporal Data
一个球屏值多少钱？一个从球上切下来的后门值多少钱？在过去的十年里，篮球是众多运动中的一项，在评估球员和球队的定量指标和方法方面出现了爆炸式的增长。然而，它仍然是具有挑战性的，以评估个人无球事件方面，他们如何有助于成功的控球。在这项研究中，我们开发了一个端到端的深度学习架构DeepHoops来处理一个由NBA比赛的时空跟踪数据组成的独特数据集，以便生成一个关于控球过程中预期得分的预测流。我们将问题框架为多类序列分类问题，在该问题中，我们的模型估计球员采取终端动作的概率（例如，投篮，失误，犯规等）。在基于在所述时刻之前的球和球员场地位置的序列的控球的每个时刻。这些终端动作中的每一个都与预期分数值相关联，该预期分数值用于估计要得分的预期分数。与此问题相关的挑战之一是行动类别的高度不平衡。为了解决这个问题，我们为训练阶段参数化了一个下采样方案。我们证明了DeepHoops是经过良好校准的，准确地估计了每个终端动作的概率，我们进一步展示了该模型在boxscore统计数据未捕获的控球范围内评估单个动作（可能是离球）的能力。
2019-02-21 stat.AP
A Bayesian marked spatial point processes model for basketball shot chart
篮球投篮的成功率在球员投篮更多的位置可能更高。对于标记的空间点过程，这意味着标记和强度相关联。我们提出了一个贝叶斯联合模型的标记和标记点过程的强度，其中的强度被纳入标记模型作为协变量。用马尔可夫链蒙特卡罗算法进行推理。两个贝叶斯模型比较标准，偏差信息标准和对数的伪边缘似然比，用于评估模型。所提出的方法的性能进行了研究，在广泛的模拟研究。以2017- 2018赛季NBA常规赛库里、哈登、杜兰特和詹姆斯4名球员的投篮图为例，详细分析了他们的投篮强度和投篮命中率。对本赛季前50名最频繁的射手的应用表明，投篮命中率和投篮强度对大多数球员来说是正相关的。拟合的参数被用作二次分析的输入，以将玩家分成不同的组。
2020-12-30 stat.AP stat.CO stat.ME
Lasso Multinomial Performance Indicators for in-play Basketball Data
本研究针对篮球球员贡献量化问题，基于2021-22赛季NBA回合级数据，提出加权预期得分（wEPTS）的改进RAPM指标，性能优于现有多种正则化模型的RAPM度量。
2024-10-31 stat.AP
A New Framework to Estimate Return on Investment for Player Salaries in the National Basketball Association
本文提出了首个估算NBA球员合同投资回报率的框架，通过计算比赛贡献百分比（GCP）和单场比赛价值（SGV），结合薪水数据生成现金流，以评估球员表现的相对回报。
2023-09-11 q-fin.GN stat.AP
Ampliando horizontes sobre medición del desempeño y el concepto de regularidad en el baloncesto profesional
本研究旨在改进现有的职业篮球运动员成绩分析方法，提出一种测量其成绩和规律性的方法。
2015-01-14 stat.AP
Adjusted Plus-Minus for NHL Players using Ridge Regression with Goals, Shots, Fenwick, and Corsi
基于回归的调整加减统计是在篮球中发展起来的，最近又用于曲棍球。这些统计数据的目的是提供一个估计每个球员对他的球队的贡献，独立于他的队友的实力，他的对手的实力，和其他变量，是他的控制。普通最小二乘回归模型的主要缺点之一是估计值具有较大的误差范围。由于某些队友经常在一起比赛，数据中存在共线性，这是造成大误差的原因之一。在曲棍球中，与篮球相比得分相对较少是另一个原因。为了处理这些问题，我们使用岭回归，这是一种在数据中存在共线性时通常用于代替普通最小二乘回归的方法。我们还创建模型，不仅使用目标，而且还使用投篮，Fenwick评级（投篮加未命中投篮）和Corsi评级（投篮，未命中投篮和盖帽）。使用这些统计数据的一个好处是，射门次数大约是进球次数的十倍，因此使用这些统计数据时有更多的数据，并且得到的估计值具有更小的误差范围。我们的岭回归模型的结果是估计进攻和防守贡献的前锋和防守队员在均匀的力量，权力发挥，和短手的情况下，在每60分钟的目标。估计是独立于队友的实力，对手的实力，以及球员的转变开始的区域。
2012-10-01 stat.AP
The Hot Hand in Professional Darts
我们在一个接近理想的环境中调查了职业飞镖中的热手假设，玩家之间的互动最少甚至没有。考虑到近一年的比赛数据，对应于167，492飞镖投掷总数，我们使用状态空间模型来研究投掷性能的序列依赖性。在我们的模型中，一个潜在的状态过程作为一个代理的球员的基本能力，我们使用自回归过程来模拟这个过程如何随着时间的推移而演变。我们发现了一个强大的，但短暂的序列依赖的潜在状态的过程中，从而提供了证据的存在热手。
2018-08-06 stat.AP
Heating Up in NBA Free Throw Shooting
我证明了重复加热球员，而中断冷却球员在NBA罚球投篮。我的分析还表明，疲劳和压力也在起作用。如果这四种效应对投篮命中率的影响都是相似的，那么在篮球比赛中，考虑到热手效应的策略选择是合理的。更一般地说，我的分析激励接近因果调查的质量变化的所有类型的人的表现，寻求操作和测量这些影响。将热手视为一个动态的因果过程，激发了热手概念的另一种应用：而不是试图检测哪个球员碰巧是热的时刻，促进你和你的盟友。
2018-01-13 stat.AP
Penalized Regression Models for the NBA
在美国国家篮球协会（NBA），球队必须做出选择，购买哪些球员，支付多少钱，以及其他决定，从根本上取决于球员的效率。因此，人们对定量地了解每个参与者的影响非常感兴趣。在本文中，我们开发了一个新的惩罚NBA回归模型，使用交叉验证来选择其调整参数，然后用它来产生的球员能力的评级。然后，我们将该模型应用于2010-2011赛季NBA的比赛结果进行预测。我们将我们的程序的性能与其他已知的回归技术进行比较，并根据经验证明我们的模型可以产生更好的预测。我们评估我们的程序对拉斯维加斯赌博线的性能，并表明，有足够大的游戏数量的训练我们的模型优于这些线。最后，我们展示了如何在本文中开发的技术可以用来定量识别“高估”的球员谁是影响力小于常识可能会建议。
2013-01-15 stat.AP
Forecasting the future development in quality and value of professional football players
1 Delft Institute of Applied Mathematics, Delft University of Technology, 2628 CD Delft, The Netherlands；\ 2 Data Science \& Computer Vision, SciSports, 3703 HX Zeist, The Netherlands
本研究利用可解释机器学习模型预测职业足球运动员未来一年的质量与转会价值，发现随机森林模型结合其固有不确定性量化方法最为有效，并揭示球员表现的非线性模式及时间序列信息价值，助力俱乐部数据驱动转会决策。
2025-09-26 cs.LG stat.AP
Labor Disputes and Worker Productivity
我们实施了一个倾向得分匹配技术，提出了第一个证据的劳动力供应的决定，在劳动争议的背景下，对工人的生产力。特别是，我们利用了2012-13年国家曲棍球联盟（NHL）停摆的一个独特的自然实验，在此期间，大约200名球员决定在海外打球，而其余的则留在北美。我们根据球员的国籍将他们分开，并调查了在国外踢球对停摆后球员表现的影响。我们发现欧洲企业生产力提高的证据有限，没有证据表明北美企业的优势或劣势。缺乏一致的生产力影响是符合文献中的行业与大劳动力租金，我们提出了几个额外的解释，在专业曲棍球的背景下。我们的研究有助于对雇主发起的停工对劳动生产率的影响的一般理解。
2015-06-26 stat.AP
Z-scores-based methods and their application to biological monitoring: An extended analysis of professional soccer players and cyclists athletes
Institut National du Sport, de l’Expertise et de la Performance（国家体育、专业与绩效研究所）；Research Laboratory for Interdisciplinary Studies (RELAIS)（跨学科研究实验室）；ENSAI, Institut de recherche mathématique de Rennes, UMR CNRS 6625（雷恩数学研究所）；French Federation of Cycling（法国自行车联合会）；French Football Federation (FFF)（法国足球协会）；Université Paris Cité（巴黎西岱大学）
本文提出了一种基于Z分数的方法，用于检测生物标志物序列中的异常值，应用于职业足球运动员和自行车运动员的纵向数据，展示了其在识别异常值方面的有效性。
2025-12-15 stat.AP
NBA2Vec: Dense feature representations of NBA players
Massachusetts Institute of Technology（麻省理工学院）；Harvard-MIT Health Sciences and Technology（哈佛-麻省理工健康科学与技术学院）
了解一个球员在篮球比赛中的表现需要在他们的队友和对方阵容的背景下对球员进行评估。在这里，我们提出了NBA 2 Vec，一个基于Word 2 Vec的神经网络模型，它通过预测游戏结果来提取每个玩家的密集特征表示，而不使用手工制作的算法或聚合统计措施。具体来说，我们的模型旨在预测球场上进攻和防守球员的控球结果。通过对1551名不同球员的350多万场比赛进行训练，我们的模型能够在经验逐场比赛分布方面实现0.3 K-L分歧。由此产生的嵌入空间与球员位置和风格的一般分类是一致的，并且嵌入维度与传统的盒子得分指标在显着水平上相关。最后，我们证明了NBA 2 Vec准确地预测了2017年NBA季后赛系列赛的结果，并在确定最佳阵容匹配方面表现出了潜力。未来NBA 2 Vec嵌入在球员风格特征方面的应用可能会彻底改变球员收购和教练决策的预测模型，从而最大限度地提高球队的成功率。
2023-02-26 cs.LG stat.AP
Distinguishing Between Roles of Football Players in Play-by-play Match Event Data
SciSports
在过去的几十年里，职业足球的球员招募过程已经发展成为一个数十亿美元的产业，因此变得至关重要。为了深入了解他们的候选增援的总体水平，许多职业足球俱乐部都可以获得大量的视频片段和先进的统计数据。然而，一个给定的球员是否适合球队的比赛风格的问题往往仍然没有答案。在本文中，我们的目标是弥合这一差距，提出了一套21个球员的角色，并介绍了一种方法，自动识别最适用的角色，为每个球员从比赛期间收集的比赛数据。
2018-09-13 cs.LG stat.AP stat.ML
Probabilistic Analysis of Various Squash Shots and Skill Study of Different Levels of Squash Players and Teams
本文通过概率模型分析不同水平 squash 球员的投掷策略差异，揭示专业与中级玩家在战术选择和位置控制上的区别。
2025-12-01 math.PR stat.AP
A Scalable Framework for NBA Player and Team Comparisons Using Player Tracking Data
NBA球员跟踪数据的发布大大增强了用于评估和比较球员表现的篮球统计数据的粒度和维度。然而，这种新数据源的高维性可能会带来麻烦，因为它需要更多的计算资源，并降低了轻松解释结果的能力。因此，我们必须找到一种方法来减少数据的维度，同时保留区分和比较球员表现的能力。在本文中，主成分分析（PCA）是用来确定四个主成分，占68%的变化，从2013-2014年常规赛的球员跟踪数据和直观的解释，这些新的维度是通过检查的统计数据，影响他们最。在这个新的高方差、低维空间中，您可以轻松地比较任何或所有主成分维度的统计特征，以评估使某些球员和球队相似或独特的特征。还构造了基于四个主成分得分的两个球员或球队统计配置文件之间的相似性的简单度量。统计多样性指数（SDI）允许使用整个玩家跟踪数据进行快速直观的比较。随着新的统计数据的出现，这一框架是可扩展的，因为它可以通过重建主成分维度和空间数据基础设施来纳入现有的和新的数据源，以改进比较。使用主成分得分和SDI，提出了几个用例，以改善人员管理。
2016-01-10 stat.AP stat.OT
Effective injury forecasting in soccer with GPS training data and machine learning
伤病对职业足球有很大的影响，因为它们对球队的表现有很大的影响，而且球员的康复费用也很高。文献中现有的研究仅提供了对哪些因素主要影响伤害风险的初步了解，而对统计模型在预测伤害方面的潜力的评估仍然缺失。在本文中，我们提出了一个多维的方法，在职业足球的伤害预测是基于GPS测量和机器学习。通过GPS跟踪技术，我们收集了描述职业足球俱乐部球员在一个赛季中的训练负荷的数据。然后，我们构建了一个伤害预测，并通过提供一组足球从业者感兴趣的案例研究表明，它是准确和可解释的。我们的方法开辟了一个新的视角伤害预防，提供了一套简单而实用的规则，评估和解释职业足球受伤风险和训练表现之间的复杂关系。
2018-11-05 stat.AP stat.ML
