Who You Play Affects How You Play: Predicting Sports Performance Using Graph Attention Networks With Temporal Convolution

要約

この研究では、スポーツにおける選手のパフォーマンスを予測するための、GATv2-GCN と呼ばれる新しい深層学習手法を紹介します。
動的なプレーヤー インタラクション グラフを作成するために、プレーヤーの統計とゲームプレイ中のインタラクションを活用します。
グラフ アテンション ネットワークを使用して、各プレイヤーがお互いに払う注意を捉え、動的なプレイヤー インタラクションのより正確なモデリングを可能にします。
多変量プレーヤー統計の時系列を処理するために、モデルに時間予測力を提供する時間畳み込みレイヤーを組み込みます。
実世界のスポーツ データを使用してモデルのパフォーマンスを評価し、プレーヤーのパフォーマンスを予測する際の有効性を実証します。
さらに、スポーツ賭博のコンテキストでモデルを使用する可能性を探り、予測力を活用した収益性の高い戦略への洞察を提供します。
提案された方法は、プレーヤーのパフォーマンス予測の最先端を前進させ、スポーツ分析および賭け業界に貴重な洞察を提供する可能性を秘めています。

要約(オリジナル)

This study presents a novel deep learning method, called GATv2-GCN, for predicting player performance in sports. To construct a dynamic player interaction graph, we leverage player statistics and their interactions during gameplay. We use a graph attention network to capture the attention that each player pays to each other, allowing for more accurate modeling of the dynamic player interactions. To handle the multivariate player statistics time series, we incorporate a temporal convolution layer, which provides the model with temporal predictive power. We evaluate the performance of our model using real-world sports data, demonstrating its effectiveness in predicting player performance. Furthermore, we explore the potential use of our model in a sports betting context, providing insights into profitable strategies that leverage our predictive power. The proposed method has the potential to advance the state-of-the-art in player performance prediction and to provide valuable insights for sports analytics and betting industries.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google