論文の概要: Forecasting the Olympic medal distribution during a pandemic: a
socio-economic machine learning model
- arxiv url: http://arxiv.org/abs/2012.04378v1
- Date: Tue, 8 Dec 2020 11:50:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 21:36:57.020815
- Title: Forecasting the Olympic medal distribution during a pandemic: a
socio-economic machine learning model
- Title（参考訳）: パンデミック時のオリンピックメダル分布予測 : 社会経済機械学習モデル
- Authors: Christoph Schlembach, Sascha L. Schmidt, Dominik Schreyer, Linus
Wunderlich
- Abstract要約: 米国は2020年の東京オリンピックで120個のメダルを獲得し、続いて中国(87個)とイギリス(74個)が優勝する。
現在の新型コロナウイルス(COVID-19)パンデミックは、すべての国がある程度(データ固有の)パンデミックに苦しむため、メダル数を大きく変えることはない。
現在の新型コロナウイルス(COVID-19)パンデミックは、すべての国がある程度(データ固有の)パンデミックに苦しむため、メダル数を大きく変えることはないと予測している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Forecasting the number of Olympic medals for each nation is highly relevant
for different stakeholders: Ex ante, sports betting companies can determine the
odds while sponsors and media companies can allocate their resources to
promising teams. Ex post, sports politicians and managers can benchmark the
performance of their teams and evaluate the drivers of success. To
significantly increase the Olympic medal forecasting accuracy, we apply machine
learning, more specifically a two-staged Random Forest, thus outperforming more
traditional na\"ive forecast for three previous Olympics held between 2008 and
2016 for the first time. Regarding the Tokyo 2020 Games in 2021, our model
suggests that the United States will lead the Olympic medal table, winning 120
medals, followed by China (87) and Great Britain (74). Intriguingly, we predict
that the current COVID-19 pandemic will not significantly alter the medal count
as all countries suffer from the pandemic to some extent (data inherent) and
limited historical data points on comparable diseases (model inherent).
- Abstract（参考訳）: 各国のオリンピックのメダル数を予測することは、さまざまな利害関係者にとって非常に意味がある。ex ante, sports betting companyは、スポンサーやメディア企業が彼らのリソースを有望なチームに割り当てることができるのに対し、オッズを決定することができる。
スポーツの政治家やマネージャーは、チームのパフォーマンスをベンチマークし、成功の要因を評価することができる。
オリンピックのメダル予測精度を大幅に向上させるため,2008年から2016年にかけて開催された3回のオリンピックにおいて,機械学習,特に2段階のランダムフォレストを適用した。
2021年の東京五輪に関しては、米国が120個のメダルを獲得し、次いで中国(87個)とイギリス(74個)が優勝するというモデルが提案されている。
興味深いことに、現在の新型コロナウイルス(COVID-19)パンデミックは、すべての国がパンデミックにある程度(データ固有の)苦しむため、メダル数を大きく変えることはないと予測しています。
関連論文リスト
- Modeling and Prediction of the UEFA EURO 2024 via Combined Statistical Learning Approaches [0.0]
基本的に異なる3つの機械学習モデルを組み合わせて、UEFA EURO 2024を予測するための新しいジョイントモデルを作成する。
この目的のために、このトーナメントは、全ての試合で予想されるゴール数に基づいて、100,000回シミュレートされる。
フランスは19.2%、イギリスは16.7%、ドイツは13.7%である。
論文 参考訳（メタデータ） (2024-10-01T07:48:16Z) - AI for Handball: predicting and explaining the 2024 Olympic Games tournament with Deep Learning and Large Language Models [0.0]
深層学習モデルを用いて,2024年オリンピックのハンドボールトーナメントの結果を予測する。
このモデルは、説明可能なAI(xAI)技術と組み合わせて、各マッチの結果に影響を及ぼす主要な要因に関する洞察力のある情報を抽出することができる。
論文 参考訳（メタデータ） (2024-07-22T18:54:06Z) - SMPLOlympics: Sports Environments for Physically Simulated Humanoids [33.797780811216754]
SMPLOlympics(SMPLOlympics)は、ヒューマノイドが様々なオリンピック競技に出場できるように、物理的にシミュレートされた環境の集合体である。
ゴルフ、ジャベリン投げ、ハイジャンプ、ロングジャンプ、ハードルなど、さまざまなスポーツ環境を提供する。
分析の結果,強い動きの先行と単純な報酬が組み合わさると,様々なスポーツにおいて人間のような行動が生じる可能性が示唆された。
論文 参考訳（メタデータ） (2024-06-28T18:53:05Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - OlympiadBench: A Challenging Benchmark for Promoting AGI with Olympiad-Level Bilingual Multimodal Scientific Problems [62.06169250463104]
我々はOlympiadレベルのバイリンガル・マルチモーダル・サイエンス・ベンチマークであるOlympiadBenchを紹介し、Olympiadレベルの数学と物理学のコンペティションの8,476の問題を特徴とする。
最も優れたモデルであるGPT-4Vはオリンピアドベンチで平均17.97%を獲得し、物理学ではわずか10.74%である。
GPT-4Vの分析では、幻覚、知識欠失、論理的誤信などの問題が指摘されている。
論文 参考訳（メタデータ） (2024-02-21T18:49:26Z) - GCN-WP -- Semi-Supervised Graph Convolutional Networks for Win
Prediction in Esports [84.55775845090542]
本稿では,グラフ畳み込みネットワークに基づくエスポートに対する半教師付き勝利予測モデルを提案する。
GCN-WPはマッチとプレーヤに関する30以上の機能を統合し、近隣のゲームを分類するためにグラフ畳み込みを使用している。
本モデルは,LLの機械学習やスキル評価モデルと比較して,最先端の予測精度を実現する。
論文 参考訳（メタデータ） (2022-07-26T21:38:07Z) - Hybrid Machine Learning Forecasts for the UEFA EURO 2020 [0.41562334038629595]
フットボールの試合を予測するための3つの最先端統計ランキング法は、ハイブリッド機械学習モデルにおいて、他のいくつかの予測器と組み合わせられる。
すなわち、履歴試合に基づく各チームの能力推定、ブックメーカーのコンセンサスに基づく各チームの能力推定、ホームクラブやナショナルチームにおける個々のパフォーマンスに基づく平均プラスマイナス選手の評価である。
ランダムな森林モデルでは、イングランド(13.5%)とスペイン(12.3%)の前に14.8%の確率で現在の世界チャンピオンフランスを好んでいる
論文 参考訳（メタデータ） (2021-06-07T21:56:49Z) - Game Plan: What AI can do for Football, and What Football can do for AI [83.79507996785838]
予測的および規範的フットボール分析は、統計学習、ゲーム理論、コンピュータビジョンの交差点における新たな発展と進歩を必要とする。
フットボール分析は、サッカー自体のゲームを変えるだけでなく、この領域がAIの分野で何を意味するのかという観点からも、非常に価値の高いゲームチェンジャーであることを示す。
論文 参考訳（メタデータ） (2020-11-18T10:26:02Z) - Interpretable Real-Time Win Prediction for Honor of Kings, a Popular
Mobile MOBA Esport [51.20042288437171]
本研究では,2段階空間時間ネットワーク(TSSTN)を提案する。
実世界のライブストリーミングシナリオにおける実験結果と応用により,提案したTSSTNモデルは予測精度と解釈可能性の両方において有効であることが示された。
論文 参考訳（メタデータ） (2020-08-14T12:00:58Z) - Predicting Individual Treatment Effects of Large-scale Team Competitions
in a Ride-sharing Economy [47.47879093076968]
私たちは、主要なライドシェアリングプラットフォームによって組織された500以上の大規模なチームコンペティションから収集されたデータを分析します。
特徴と予測器を慎重に調査することで,サンプル外予測誤差を24%以上削減できる。
シミュレーション分析により、いくつかの競合設計オプションを変更するだけで、実際の競合に対する平均的な治療効果が最大26%増加することが予測されている。
論文 参考訳（メタデータ） (2020-08-07T22:01:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。