BP神经网络与Kriging算法在足球比赛评分中的应用
时间：2021-01-28 22:01:10 来源：达达文档网 本文已影响 人 
杨子煜
摘要：為了更准确地研究不同参数对足球比赛评分系统的影响，在BP神经网络理论和Kriging算法基础上，通过对算法的改进来预测足球比赛的赛后评分，以减少人类劳动。在使用两种方法进行预测时，通过最后数据分析两种方法的优劣。
Abstract：
In order to more accurately study the influence of different parameters on the football match scoring system， based on the BP neural network theory and Kriging algorithm， the algorithm is improved to predict the post-match score of the football match to reduce human labor. When using two methods to make predictions， the pros and cons of the two methods is analyzed through the final data.
关键词：BP神经网络算法;Kriging算法;足球比赛赛后评分
Key words：
BP neural network algorithm;Kriging algorithm;score after football match
中图分类号：TP311.52;TP183 文献标识码：A 文章编号：1006-4311（2020）25-0209-03
0 引言
目前可靠的足球比赛赛后评分机构有WhoScored和SofaScore两家[1]。两家公司均根据英国足球数据网站Opta提供的球队原始数据并通过自己特有的算法公式来评价球队在某场比赛中的表现并给出分数。在以WhoScored网站为例介绍二者的评分机制，WhoScored网站的评分算法会加大重要的比赛数据的权重，这些重要比赛数据对球员的正面或负面评价密切相关。与重要比赛数据相关的是重要数据事件，比如球员在禁区的一次成功过人或抢断，这些比赛数据都会被完整记录并被分为三类：进攻数据、防守数据和传球数据。重要数据事件也会根据其重要程度以6分为基准增减进行评分并赋予不同权值。对得分有直接影响的数据如进球、助攻、射门自然获得的权重较高[2]。
本文基于BP神经网络算法和Kriging算法研究二者对足球评分系统的影响。
1 BP神经网络算法与Kriging算法原理
①BP神经网络算法：BP神经网络是通过误差逆传播来进行训练的一种多层前馈网络。其基本思想是梯度下降法，通过比较实际输出和期望输出，若二者误差过大，就对误差进行反向传播，经过梯度搜索，最终使二者之间的误差对应的均方差最小。
2 案例分析
利用BP神经网络算法和Kriging算法基于随机输入变量对足球比赛赛后评分进行分析，通过对两个不同算法进行改进以寻找更适合足球比赛赛后评分的预测算法。如图1。
3 总结与结论
本文基于多场比赛的实测数据，采用BP神经网络算法和改进的Kriging插值代理模型，探索了实际使用环境下各足球比赛参数对足球比赛赛后评分的影响，因为BP神经网络与Kriging算法在预测方面使用较多，所以本文采用这两种方法预测足球比赛赛后评分并归纳两种不同算法的好坏。本文采用的BP神经网络算法，与标准神经网络BP算法略有改进，通过使用三层（多层）来进行迭代运算。不同于传统的Kriging算法，本文采用的Kriging算法也进行了改进：结合多种群遗传算法对克里金模型进行超参数寻优。最终形成如下结论：
①由足球比赛的实测数据相关分析可知，射门数、射正数、传球成功率等三个参数与赛后评分的相关程度较强，可用于建立赛后评分的影响性分析模型;
②在求解kriging中相关函数的待定系数时采用遗传算法，可以使Kriging插值模型得到优化。
4 数据处理
①本来机器评分具有一定的客观性和偶然性。网站所给评分由多位记者打分平均值得出。但对于机器来说，比如有时一个球队表现的很好却输掉了比赛，2019年8月11日曼联对阵切尔西，整场比赛中曼联各项数据（禁区过人数、传球率、射门）都明显低于切尔西，但曼联把握机会能力较高，最终以4：0战胜切尔西，在赛后由机器评分的过程中，赢得比赛的曼联得分居然低于没有进球的切尔西。相较比赛双方结果而言，机器评分相对来说是不客观的。该BP机器学习算法虽然考虑了进球对打分显著性影响，但忽略了进球对打分的重要性，没有单独考虑进球对打分的影响，这是本BP神经网络算法存在的一个小问题，发生这种情况的原因是：在BP神经网络算法中，根据学习数据进行学习，进而得到权值，所得到的权值是相对于大样本而言的。本场比赛比较特殊，显然是切尔西得势不得分，曼联队依靠快速反击获得4个进球，显然曼联队效率更高。但在BP神经网络中，机器给出的是依靠大数据评分的，并且机器没有突出考虑进球对打分的影响，对于这种看起来“离谱”的特殊情况，并不能完全正确的打分。（图3-图5）
②因为人打分就有主观性，机器打分综合了大数据的影响，相对客观一些，但不能否认有时机器打出来的分不是十分正确，但是90%情况下机器打分数据是相对正确的，因为它排除了人们主观的看法，更具有客观性。本次利用学习后的数据进行检测，30个数据中只有3个数据误差较大（绝对值之差超过0.5），有将近一半的数据误差小于0.1，而且只有4个数据方差超过公认打分可接受误差。可见BP神经网络应用于足球比赛赛后自动评分系统潜力较大，可以替代人工打分，减少了人工工作量。
③出现错误值的原因是：因为如图6可能梯度下降时有时收敛到了局部最优点，而不能收敛到全局最优点。
参考文献：
[1]付裕.神经网络在足球比赛中的胜负预测，2012，38（1）：
17-20.
[2]雷光裕.世界杯足球比赛多分类预测模型研究[J].软件导刊，2008，23（2）：256-262.
[3]刘志平，石林英.最小二乘法原理及其MATLAB实现[J]. 中国西部科技，2008，7（17）：33-34.
[4]YAO Niankui，SUI Fucheng，WANG Chengbo. Free Flight Engagement Condition of Carrier-Based Aircraft[J]. Aircraft Design， 2011，31（6） ：
10-15.
[5]LI Qiming，FENG Yunwen，YU Liming. Kinetics Analysis and Simulation of Aircraft Arrested Shore-Landing[J]. Computer Sim- ulation，2010，27（1） ：
27-31.
[6]NIE Hong，PENG Yiming，WEI Xiaohui，et al. Overview of Carrier-Based Aircraft Arrested Deck-Landing Dynamics[J]. Acta Aeronautica et Astronautica Sinica，2014，35（1） ：
1-12.
