Fugu-MT 論文翻訳(概要): Mathematical models for off-ball scoring prediction in basketball

論文の概要: Mathematical models for off-ball scoring prediction in basketball

arxiv url: http://arxiv.org/abs/2406.08749v1
Date: Thu, 13 Jun 2024 02:17:19 GMT
ステータス: 処理完了
システム内更新日: 2024-06-14 21:38:10.884700
Title: Mathematical models for off-ball scoring prediction in basketball
Title（参考訳）: バスケットボールにおけるオフボール得点予測の数学的モデル
Authors: Rikako Kono, Keisuke Fujii,
Abstract要約: バスケットボールにおけるオフボールスコアリングの機会を予測するために、2つの数学的モデルが提案されている。我々は,2015-2016年シーズンのNBA630試合の選手追跡データを用いて,これらのモデルを評価する。本モデルは,バスケットボールにおける戦術分析と選手評価に有用な知見を提供する。
参考スコア（独自算出の注目度）: 0.9002260638342727
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In professional basketball, the accurate prediction of scoring opportunities based on strategic decision-making is crucial for space and player evaluations. However, traditional models often face challenges in accounting for the complexities of off-ball movements, which are essential for accurate predictive performance. In this study, we propose two mathematical models to predict off-ball scoring opportunities in basketball, considering both pass-to-score and dribble-to-score movements: the Ball Movement for Off-ball Scoring (BMOS) and the Ball Intercept and Movement for Off-ball Scoring (BIMOS) models. The BMOS adapts principles from the Off-Ball Scoring Opportunities (OBSO) model, originally designed for soccer, to basketball, whereas the BIMOS also incorporates the likelihood of interception during ball movements. We evaluated these models using player tracking data from 630 NBA games in the 2015-2016 regular season, demonstrating that the BIMOS outperforms the BMOS in terms of scoring prediction accuracy. Thus, our models provide valuable insights for tactical analysis and player evaluation in basketball.
Abstract（参考訳）: プロバスケットボールでは,戦略決定に基づく得点機会の正確な予測が空間評価や選手評価に不可欠である。しかしながら、伝統的なモデルは、正確な予測性能に不可欠なオフボール運動の複雑さを考慮する上で、しばしば課題に直面している。本研究では,バスケットボールにおけるオフボールの得点率を予測するための2つの数学的モデルを提案し,パス・ツー・スコアとドリブル・トゥ・スコアのどちらにおいても,ボール・ムーブメント・フォー・オフボール・スコア(BMOS)とボール・インターセプション・アンド・ムーブメント・フォー・オフボール・スコア(BIMOS)モデルを提案する。 BMOSはオフボール・スコーリング・オポチュニティ(OBSO)モデルの原則をバスケットボールに適合させ、BIMOSはボールの動きのインターセプションの可能性を取り入れている。我々は,2015-2016年シーズンのNBA630試合の選手追跡データを用いて,BIMOSがBMOSよりも精度が高いことを示す。そこで,我々のモデルは,バスケットボールにおける戦術的分析と選手評価のための貴重な洞察を提供する。

関連論文リスト

SkillMimic: Learning Reusable Basketball Skills from Demonstrations [85.23012579911378]
SkillMimicは、人間とボールの両方の動きを模倣して、さまざまなバスケットボールスキルを学習するデータ駆動型アプローチである。 SkillMimicは、人間とボールのモーションデータセットから多様なスキルを学ぶために、統一された構成を採用している。 SkillMimicが獲得したスキルは、高レベルのコントローラーで簡単に再利用でき、複雑なバスケットボールのタスクをこなせる。
論文参考訳（メタデータ） (2024-08-12T15:19:04Z)
ShuttleSHAP: A Turn-Based Feature Attribution Approach for Analyzing Forecasting Models in Badminton [52.21869064818728]
バドミントンにおけるプレイヤー戦術予測のための深層学習アプローチは、部分的にはラリープレイヤの相互作用に関する効果的な推論に起因する有望なパフォーマンスを示している。本稿では,Shapley値の変量に基づいてバドミントンにおける予測モデルを解析するためのターンベース特徴属性手法であるShuttleSHAPを提案する。
論文参考訳（メタデータ） (2023-12-18T05:37:51Z)
PlayBest: Professional Basketball Player Behavior Synthesis via Planning with Diffusion [24.47841117058161]
本稿ではプレイヤーの意思決定を改善する方法であるPlayBest(PLAYer BEhavior DynamicThesis)を紹介する。本研究では,NBA選手の運動追跡データから,拡散確率モデルを拡張し,環境動態を学習する。以上の結果から,このモデルは,効率的なプレーを実現する合理的なバスケットボールコースの創出に優れることが明らかとなった。
論文参考訳（メタデータ） (2023-06-07T01:23:38Z)
Understanding why shooters shoot -- An AI-powered engine for basketball performance profiling [70.54015529131325]
バスケットボールは、プレイスタイルやゲームダイナミクスなど、多くの変数によって規定されている。パフォーマンスプロファイルが様々なプレイスタイルを反映できることは重要です。プレイヤのパフォーマンスプロファイルをタイムリーに可視化するツールを提案する。
論文参考訳（メタデータ） (2023-03-17T01:13:18Z)
NBA2Vec: Dense feature representations of NBA players [0.0]
本稿では,各プレーヤの高密度特徴表現を抽出するWord2Vecに基づくニューラルネットワークモデルであるNBA2Vecを提案する。 NBA2Vecは、2017年のNBAプレイオフシリーズの結果を正確に予測する。 NBA2Vec埋め込みの今後の応用は、プレイヤーのスタイルを特徴付けることで、プレイヤーの獲得とコーチング決定のための予測モデルに革命をもたらす可能性がある。
論文参考訳（メタデータ） (2023-02-26T19:05:57Z)
Transformer-Based Neural Marked Spatio Temporal Point Process Model for Football Match Events Analysis [0.6946929968559495]
本稿では,ニューラル・テンポラル・ポイント・プロセス・フレームワークに基づくフットボール・イベント・データのモデルを提案する。検証のために,サッカーチームの最終ランキング,平均ゴールスコア,シーズン平均xGとの関係を検討した。平均HPUSはゴールやショットの詳細を使わずとも有意な相関を示した。
論文参考訳（メタデータ） (2023-02-18T10:02:45Z)
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)
Explainable expected goal models for performance analysis in football analytics [5.802346990263708]
本報告では,2014-15年と2020-21年の7シーズンから315,430発のショットをトレーニングした,欧州サッカーリーグのトップ5のゴールモデルを提案する。我々の知る限りでは、この論文は、プロファイルを集約した説明可能な人工知能ツールの実用的な応用を実証した最初の論文である。
論文参考訳（メタデータ） (2022-06-14T23:56:03Z)
Explain, Edit, and Understand: Rethinking User Study Design for Evaluating Model Explanations [97.91630330328815]
我々はクラウドソーシング研究を行い、真偽のホテルレビューと偽のホテルレビューを区別するために訓練された詐欺検出モデルと対話する。単語の線形バッグモデルでは、トレーニング中に特徴係数にアクセスした参加者は、非説明制御と比較して、テストフェーズにおいてモデルの信頼性が大幅に低下する可能性があることを観察する。
論文参考訳（メタデータ） (2021-12-17T18:29:56Z)
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)
Descriptive and Predictive Analysis of Euroleague Basketball Games and the Wisdom of Basketball Crowds [0.0]
本研究は,機械学習モデルを用いたユーロリーグ大会におけるバスケットボールの試合予測に焦点を当てた。単純な機械学習モデルでは、テストセットで67%以上の精度が得られます。我々は,このグループの「専門家」の精度レベルが,機械学習を用いた(ヨーロッパ)バスケットボールの試合予測における将来の研究の基準として設定されるべき理由を論じる。
論文参考訳（メタデータ） (2020-02-19T22:04:29Z)

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。