論文の概要: Long-Sequence LSTM Modeling for NBA Game Outcome Prediction Using a Novel Multi-Season Dataset

• arxiv url: http://arxiv.org/abs/2512.08591v1
• Date: Tue, 09 Dec 2025 13:32:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.975925
• Title: Long-Sequence LSTM Modeling for NBA Game Outcome Prediction Using a Novel Multi-Season Dataset
• Title（参考訳）: マルチシーズンデータセットを用いたNBAゲーム結果予測のためのLong-Sequence LSTMモデリング
• Authors: Charles Rios, Longzhen Han, Almas Baimagambetov, Nikolaos Polatidis,
• Abstract要約: 2004-05シーズンから2024-25シーズンにかけてのNBAデータセットを新たに構築した。 本稿では,長期的パフォーマンストレンドをモデル化するためのディープラーニングフレームワークを提案する。 LSTMは72.35の精度、73.15の精度、76.13のAUC-ROCで全ての指標で最高の性能を達成している。
• 参考スコア（独自算出の注目度）: 0.5039813366558307
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting the outcomes of professional basketball games, particularly in the National Basketball Association (NBA), has become increasingly important for coaching strategy, fan engagement, and sports betting. However, many existing prediction models struggle with concept drift, limited temporal context, and instability across seasons. To advance forecasting in this domain, we introduce a newly constructed longitudinal NBA dataset covering the 2004-05 to 2024-25 seasons and present a deep learning framework designed to model long-term performance trends. Our primary contribution is a Long Short-Term Memory (LSTM) architecture that leverages an extended sequence length of 9,840 games equivalent to eight full NBA seasons to capture evolving team dynamics and season-over-season dependencies. We compare this model against several traditional Machine Learning (ML) and Deep Learning (DL) baselines, including Logistic Regression, Random Forest, Multi-Layer Perceptron (MLP), and Convolutional Neural Network (CNN). The LSTM achieves the best performance across all metrics, with 72.35 accuracy, 73.15 precision and 76.13 AUC-ROC. These results demonstrate the importance of long-sequence temporal modeling in basketball outcome prediction and highlight the value of our new multi-season dataset for developing robust, generalizable NBA forecasting systems.
• Abstract（参考訳）: プロバスケットボールの試合の結果を予測することは、特にNBA(National Basketball Association)において、コーチング戦略、ファンエンゲージメント、スポーツの賭けにおいてますます重要になっている。 しかし、既存の予測モデルの多くは、概念の漂流、時間的文脈の制限、季節の不安定さに苦慮している。 本研究では,2004-05シーズンから2024-25シーズンにかけてのNBAデータセットを新たに構築し,長期的パフォーマンス傾向をモデル化したディープラーニングフレームワークを提案する。 私たちの主な貢献は長期記憶(LSTM)アーキテクチャで、8つのNBAシーズンに相当する延長シーケンス長9,840のゲームを利用して、進化するチームダイナミクスとシーズンオーバーシーズン依存関係をキャプチャします。 このモデルを、ロジスティック回帰、ランダムフォレスト、マルチ層パーセプトロン(MLP)、畳み込みニューラルネットワーク(CNN)など、従来の機械学習(ML)およびディープラーニング(DL)ベースラインと比較する。 LSTMは72.35の精度、73.15の精度、76.13のAUC-ROCで全ての指標で最高の性能を達成している。 これらの結果は、バスケットボール結果予測における時系列時間モデリングの重要性を示し、より堅牢で一般化可能なNBA予測システムを開発するための新しいマルチシーズンデータセットの価値を強調した。

関連論文リスト

• Output Scaling: YingLong-Delayed Chain of Thought in a Large Pretrained Time Series Forecasting Model [55.25659103706409]
  このフレームワークは,設計した基盤モデルであるYingLongの最先端性能を実現する。 YingLongは、マスク付きトークンリカバリによってトレーニングされた非因果的双方向アテンションエンコーダのみのトランスフォーマーである。 我々は、6Mから3Mパラメータの4つの基礎モデルをリリースし、ゼロショットタスクにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2025-05-20T14:31:06Z)
• A Multi-scale Representation Learning Framework for Long-Term Time Series Forecasting [6.344911113059126]
  長期時系列予測(LTSF)は、エネルギー消費や天気予報といった実用的な設定において幅広い用途を提供する。 この研究は、多粒度情報の最適部分利用を含むLTSFの重要な問題に直面している。 提案手法は,様々なスケールにわたる明瞭で同時的な予測を用いて,複雑な時間的ダイナミクスを適切に解き放つ。
  論文  参考訳（メタデータ） (2025-05-13T03:26:44Z)
• TCDformer-based Momentum Transfer Model for Long-term Sports Prediction [6.209644981642842]
  本稿では,TCDformerを用いた長期スポーツ予測のためのモーメンタムトランスファーモデルTM2を提案する。 2023年のウィンブルドン男子トーナメントのデータセットでは、TM2は既存のスポーツ予測モデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-09-16T11:10:54Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
  本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。 事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。 多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
  論文  参考訳（メタデータ） (2024-02-04T06:55:55Z)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
  本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。 その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-20T22:25:47Z)
• MambaNet: A Hybrid Neural Network for Predicting the NBA Playoffs [5.366368559381279]
  MambaNetは、チームとプレイヤーのゲーム統計の時系列を処理するハイブリッドニューラルネットワークアーキテクチャである。 提案手法は, AUC を 0.72 から 0.82 まで予測し, 最良性能のベースラインモデルをかなりの差で上回った。
  論文  参考訳（メタデータ） (2022-10-31T04:37:33Z)
• Machine learning models for DOTA 2 outcomes prediction [8.388178167818635]
  本研究は,Dota 2 MOBAゲームの結果を特定するための予測機械学習モデルとディープラーニングモデルの構築に主に焦点をあてる。 リニア回帰(LR)、ニューラルネットワーク(NN)、リカレントニューラルネットワーク(LSTM)の3つのモデルについて検討・比較を行った。
  論文  参考訳（メタデータ） (2021-06-03T12:10:26Z)

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。