![](https://csdnimg.cn/release/download_crawler_static/88781663/bg3.jpg)
Hung等人提出了BasketView,这是一个基于Web的可视化系统,使篮球专业人士能够从三个角度
(赛季,比赛和锦标赛级别)分析比赛
[19]
。Perin等人从得分数据、跟踪数据和元数据的角度分析了
当前体育数据可视化的过程
[20]
。Wang等人结合网络拓扑特点,建立旁路路径、通过质量、技术统计
等
[21]
。为此,提出了一种新的视觉评价模型,并开发了一个名为PlayerNetVis的视觉分析系统。Ji等
人提出了一个基于1985年至2019年NBA比赛数据的数据可视化系统,用于NBA比赛报告,并带有知
识图,以帮助用户快速了解
比赛
[22]
。Jin等人提出了一种基于图表的球员可视化系统,从多个角度分析
篮球运动员
[23]
。
上述现有的体育可视化研究,特别是对于NBA可视化,偏向于专家分析系统(例如,Losada等人
[18]
和Wang et al.
[21]
),并且所分析的数据通常是常规的球员和球队统计数据(例如,Jin等人
[23]
)。
NBA球队输赢和时间序列数据的可视化
为了解决上述问题,拟议的NPIPVis系统使用PAOHVis根据NBA球队1980年至2022年的常规统计数
据绘制赛季的输赢超图。该系统使用iStoryline处理NBA比赛时间序列数据,设计了比赛情节可视化
组件。此外,NPIPVis还为普通观众提供了丰富的视觉图表,以更好地了解NBA球队和比赛。
1.2 体育预测
对于网球,Wilkens等人将机器学习技术应用于男女职业单打网球比赛,分析了2010年至2019年近
39000场网球比赛的数据,并提出了一个网球比赛预测和投注模型来预测网球比赛结果和投注赔率。
对于橄榄球,Xia et al.提出了一种网络驱动的体育排名和预测方法,根据国家橄榄球联盟和NBA比
赛的结果定义球队的有向图,并推断使用这些网络确定排名的球队的重要性
[25]
。South等人使用现代
建模技术,如神经网络和随机森林,来预测大学橄榄球比赛的结果
[26]
。
对于篮球,Lam等人提出了一种基于堆叠贝叶斯回归的开创性建模方法,依靠稀疏多尺度高斯过程
回归的高标准性能,根据NBA球队的助攻和篮板数据预测常规赛比赛方向,将球员的表现与球队的
实力联系
起来
[27]
。Pai等人提出了一种基于支持向量机(SVM)和决策树(DT)的混合模型滞后空间
矢量调制决策树(HSVMDT),它提供了帮助教练制定策略的规则
[28]
。借助预测的比赛结果和
HSVMDT模型生成的规则,教练可以轻松快速地了解增加获胜机会Giuliodori提出了一种基于人工神
经网络(ANN)的模型,用于预测NBA比赛中的失败者,该模型训练ANN根据诸如输赢的比赛数量
和球队的抢断数量等信息来预测NBA比赛中的获胜球队
[29]
。Özbalta等人使用基于NBA 2K 20 My
Team比赛数据集和2019-2020赛季NBA球员表现统计的监督机器学习方法预测
了
新NBA合同球员的工
资。Yang等人提出了一种改进的基于PageRank算法的NBA季后赛排名预测模型,从球队比赛数据的
整体角度对球队实力进行排名,并预测季后赛结果
[31]
。Huang等人使用一维卷积神经网络和SVM来
预测美国职业棒球大联盟比赛的结果,为球迷和球队经理提供一些参考信息
[32]
。Kaimakamis使用随
机森林和SVM等机器学习算法来预测NBA球队在季后赛中的最终位置
[33]
。Albert等人提出了一种混
合机器学习模型,