用数据和身体姿态分析运动表现以对表现进行个性化预测的制作方法

技术特征：
1.一种生成运动员预测的方法，包括：由计算系统从数据存储检索数据，所述数据包括跨多个赛季的多个赛事的信息；由所述计算系统通过以下步骤，使用人工神经网络来生成预测模型：由所述人工神经网络基于历史表现，来生成包括运动员特定信息的一个或更多个个性化嵌入；从所述数据中选择与在所述数据中捕获的每个得分赛事尝试相关的一个或更多个特征；以及由所述人工神经网络至少基于所述一个或更多个个性化嵌入以及与每个得分赛事尝试相关的所述一个或更多个特征，来学习每个得分赛事尝试的结果；由所述计算系统接收针对目标得分赛事尝试的数据集，所述数据集至少包括所述目标得分赛事尝试中涉及的所述运动员以及与所述目标得分赛事尝试相关的一个或更多个特征；以及由所述计算系统经由所述预测模型，基于所述目标得分赛事尝试中涉及的所述运动员的个性化嵌入以及与所述目标得分赛事尝试相关的所述一个或更多个特征，来生成所述得分赛事尝试的可能结果。2.根据权利要求1所述的方法，其中，从所述数据中选择与在所述数据中捕获的每个得分赛事尝试相关的所述一个或更多个特征包括：对于每个得分赛事尝试，识别得分赛事开始位置信息、运动员位置和所述得分赛事尝试的一个或更多个几何特征中的至少一个或更多个。3.根据权利要求2所述的方法，其中，所述得分赛事尝试的一个或更多个几何特征包括前锋和守门员之间的角度、从所述前锋到球门中心的第一距离以及从所述守门员到所述球门中心的第二距离中的至少一个或更多个。4.根据权利要求2所述的方法，还包括：对于每次射门尝试，识别与所述射门尝试的前锋相关的身体姿态信息。5.根据权利要求1所述的方法，还包括：由所述计算系统识别在第一持续时间内的得分赛事尝试集；由所述计算系统基于与所述得分赛事尝试集相关联的一个或更多个参数，来模拟普通运动员将失球的得分赛事尝试的数量；由所述计算系统识别运动员集，每个运动员包括一个或更多个个性化嵌入；对于所述守门员集中的每个运动员，基于与所述得分赛事尝试集相关联的所述一个或更多个参数以及所述一个或更多个个性化嵌入的相应集，来模拟所述运动员将失球的得分赛事尝试的数量；以及由所述计算系统基于与所述普通运动员相比失球的预期得分赛事，来生成对所述运动员集中的每个运动员进行排名的图形表示。6.根据权利要求1所述的方法，还包括：由所述计算系统识别第一运动员以及由所述第一运动员在第一持续时间内所防守的一个或更多个得分赛事尝试；由所述计算系统生成与一个或更多个参数相对应的数据集，所述一个或更多个参数与由所述第一运动员在所述第一持续时间内所防守的所述一个或更多个得分赛事尝试相关
联；由所述计算系统识别第二运动员，其中，所述第二运动员与一个或更多个个性化嵌入相关联；由所述计算系统，基于与由所述第一运动员所防守的所述一个或更多个得分赛事尝试相关联的所述一个或更多个参数以及所述一个或更多个个性化嵌入，来模拟所述第二运动员将失球的数量；以及由所述计算系统生成图形表示，所述图形表示将所述第二运动员将失球的数量与所述第一运动员将失球的数量进行比较。7.根据权利要求1所述的方法，还包括：由所述计算系统识别运动员和由所述运动员在第一持续时间内所防守的一个或更多个得分赛事尝试；由所述计算系统生成与一个或更多个参数相对应的数据集，所述一个或更多个参数与由所述运动员在所述第一持续时间内所防守的所述一个或更多个得分赛事尝试相关联；由所述计算系统识别与所述运动员相关联的一个或更多个嵌入，其中，所述一个或更多个个性化嵌入与所述运动员在第二持续时间内的属性相对应；由所述计算系统，基于与由所述运动员所防守的所述一个或更多个得分赛事尝试相关联的所述一个或更多个参数以及与所述运动员在所述第二持续时间内的属性相对应的所述一个或更多个个性化嵌入，来模拟所述运动员将失球的数量；以及由所述计算系统生成图形表示，所述图形表示将所述运动员在所述第二持续时间内将基于所述属性而失球的数量与所述运动员在所述第一持续时间内失球的数量进行比较。8.一种用于生成运动员预测的系统，包括：处理器；以及存储器，所述存储器上存储有编程指令，所述编程指令在由所述处理器执行时，执行一个或更多个操作，所述一个或更多个操作包括：从数据存储检索数据，所述数据包括跨多个赛季的多个赛事的信息；通过以下步骤，使用人工神经网络来生成预测模型：由所述人工神经网络基于历史表现来生成包括守门员特定信息的一个或更多个个性化嵌入；从所述数据中选择与在所述数据中捕获的每个射门尝试相关的一个或更多个特征；以及由所述人工神经网络至少基于所述一个或更多个个性化嵌入以及与每次射门尝试相关的所述一个或更多个特征，来学习每次射门尝试的结果；接收针对目标射门尝试的数据集，所述数据集至少包括所述目标射门尝试中涉及的所述守门员以及与所述目标射门尝试相关的一个或更多个特征；以及经由所述预测模型，基于所述目标射门尝试中涉及的所述守门员的个性化嵌入以及与所述目标射门尝试相关的所述一个或更多个特征，来生成所述射门尝试的可能结果。9.根据权利要求8所述的系统，其中，从所述数据中选择与在所述数据中捕获的每次射门尝试相关的所述一个或更多个特征包括：对于每次射门尝试，识别射门开始位置信息、守门员位置以及所述射门尝试的一个或
更多个几何特征中的至少一个或更多个。10.根据权利要求9所述的系统，其中，所述射门尝试的一个或更多个几何特征包括前锋和所述守门员之间的角度、从所述前锋到球门中心的第一距离以及从所述守门员到所述球门中心的第二距离中的至少一个或更多个。11.根据权利要求9所述的系统，还包括：对于每次射门尝试，识别与所述射门尝试的前锋相关的身体姿态信息。12.根据权利要求8所述的系统，其中，所述一个或更多个操作还包括：识别在第一持续时间内的射门尝试集；基于与所述进球集相关联的一个或更多个参数，来模拟普通守门员将失球的数量；识别守门员集，每个守门员包括一个或更多个个性化嵌入；对于所述守门员集中的每个守门员，基于与所述进球集相关联的所述一个或更多个参数以及所述一个或更多个个性化嵌入的相应集，来模拟所述守门员将失球的数量；以及基于与所述普通守门员相比的预期扑救，来生成对所述守门员集中的每个守门员进行排名的图形表示。13.根据权利要求8所述的系统，其中，所述一个或更多个操作还包括：识别第一守门员以及由所述第一守门员在第一持续时间内所防守的一个或更多个射门；生成与一个或更多个参数相对应的数据集，所述一个或更多个参数与由所述第一守门员在所述第一持续时间内所防守的所述一个或更多个射门相关联；识别第二守门员，其中，所述第二守门员与一个或更多个个性化嵌入相关联；基于与由所述第一守门员所防守的所述一个或更多个射门相关联的所述一个或更多个参数以及所述一个或更多个个性化嵌入，来模拟所述第二守门员将失球的数量；以及生成图形表示，所述图形表示将所述第二守门员将失球的数量与所述第一守门员将失球的数量进行比较。14.根据权利要求8所述的系统，其中，所述一个或更多个操作还包括：识别守门员以及由所述所述守门员在第一持续时间内所防守的一个或更多个射门；生成与一个或更多个参数相对应的数据集，所述一个或更多个参数与由所述守门员在所述第一持续时间内所防守的一个或更多个射门相关联；识别与所述守门员相关联的一个或更多个嵌入，其中，所述一个或更多个个性化嵌入与所述守门员在第二持续时间内的属性相对应；基于与由所述守门员所防守的所述一个或更多个射门相关联的一个或更多个参数以及与所述守门员在所述第二持续时间内的属性相对应的所述一个或更多个个性化嵌入，来模拟所述守门员将失球的数量；以及生成图形表示，所述图形表示将所述守门员在所述第二持续时间内将基于所述属性而失球的数量与所述守门员在所述第一持续时间内失球的数量进行比较。15.一种非暂时性计算机可读介质，包括一个或更多个指令序列，所述一个或更多个指令序列在由一个或更多个处理器执行时使得：由计算系统从数据存储检索数据，所述数据包括跨多个赛季的多个赛事的信息；由所述计算系统通过以下步骤，使用人工神经网络来生成预测模型：
由所述人工神经网络基于历史表现，来生成包括守门员特定信息的一个或更多个个性化嵌入；从所述数据中选择与在所述数据中捕获的每次射门尝试相关的一个或更多个特征；以及由所述人工神经网络至少基于所述一个或更多个个性化嵌入和与每次射门尝试相关的所述一个或更多个特征，来学习每次射门尝试的结果；由所述计算系统接收针对目标射门尝试的数据集，所述数据集至少包括所述目标射门尝试中涉及的所述守门员以及与所述目标射门尝试相关的一个或更多个特征；以及由所述计算系统经由所述预测模型，基于所述目标射门尝试中涉及的所述守门员的个性化嵌入以及与所述目标射门尝试相关的所述一个或更多个特征，来生成所述射门尝试的可能结果。16.根据权利要求15所述的非暂时性计算机可读介质，其中，从所述数据中选择与在所述数据中捕获的每次射门尝试相关的所述一个或更多个特征包括：对于每次射门尝试，识别射门开始位置信息、守门员位置以及所述射门尝试的一个或更多个几何特征中的至少一个或更多个。17.根据权利要求16所述的非暂时性计算机可读介质，其中，所述射门尝试的一个或更多个几何特征包括前锋和所述守门员之间的角度、从所述前锋到球门中心的第一距离以及从所述守门员到所述球门中心的第二距离中的至少一个或更多个。18.根据权利要求15所述的非暂时性计算机可读介质，还包括：由所述计算系统识别在第一持续时间内的射门尝试集；由所述计算系统基于与所述进球集相关联的一个或更多个参数，来模拟普通守门员将失球的数量；由所述计算系统识别守门员集，每个守门员包括一个或更多个个性化嵌入；对于所述守门员集中的每个守门员，基于与所述进球集相关联的所述一个或更多个参数以及所述一个或更多个个性化嵌入的相应集，来模拟所述守门员将失球的数量；以及由所述计算系统基于与所述普通守门员相比的预期扑救，来生成对所述守门员集中的每个守门员进行排名的图形表示。19.根据权利要求15所述的非暂时性计算机可读介质，还包括：由所述计算系统识别第一守门员以及由所述第一守门员在第一持续时间内所防守的一个或更多个射门；由所述计算系统生成与一个或更多个参数相对应的数据集，所述一个或更多个参数与由所述第一守门员在所述第一持续时间内所防守的所述一个或更多个射门相关联；由所述计算系统识别第二守门员，其中，所述第二守门员与一个或更多个个性化嵌入相关联；由所述计算系统基于与由所述第一守门员所防守的所述一个或更多个射门相关联的所述一个或更多个参数以及所述一个或更多个个性化嵌入，来模拟所述第二守门员将失球的数量；以及由所述计算系统生成图形表示，所述图形表示将所述第二守门员将失球的数量与所述第一守门员将失球的数量进行比较。
20.根据权利要求15所述的非暂时性计算机可读介质，还包括：由所述计算系统识别守门员以及由所述守门员在第一持续时间内所防守的一个或更多个射门；由所述计算系统生成与一个或更多个参数相对应的数据集，所述一个或更多个参数与由所述守门员在所述第一持续时间内所防守的一个或更多个射门相关联；由所述计算系统识别与所述守门员相关联的一个或更多个嵌入，其中，所述一个或更多个个性化嵌入与所述守门员在第二持续时间内的属性相对应；由所述计算系统基于与由所述守门员所防守的所述一个或更多个射门相关联的一个或更多个参数以及与所述守门员在所述第二持续时间内的属性相对应的所述一个或更多个个性化嵌入，来模拟所述守门员将失球的数量；以及由所述计算系统生成图形表示，所述图形表示将所述守门员在所述第二持续时间内将基于所述属性而失球的数量与所述守门员在所述第一持续时间内失球的数量进行比较。

技术总结
本文公开了一种生成运动员预测的方法。计算系统从数据存储中检索数据。计算系统使用人工神经网络生成预测模型。该人工神经网络生成一个或更多个个性化嵌入，一个或更多个个性化嵌入包括基于历史表现的运动员特定信息。计算系统从数据中选择与在数据中捕获的每次射击尝试相关的一个或多个特征。人工神经网络至少基于一个或多个个性化嵌入以及与每次射击尝试相关的一个或多个特征，来学习每次射击尝试的结果。的结果。的结果。


技术研发人员：保罗
受保护的技术使用者：斯塔特斯公司
技术研发日：2020.02.28
技术公布日：2021/10/22