基于Node2Vec-LGBM模型的CBA球員位置預(yù)測(cè)

中圖分類號(hào)：TP181 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2025）08-0065-06

Abstract：With the accumulation of sports data and therapid development of Artificial Intellgence technology， it is particularly important touse Big Data and Machine Learming methods tooptimize player position prediction. However， traditionalmethodsoftenignorethecomplexstructuralrelationshipsbetweenplayers，whicharecrucialforpositionprediction. Therefore，this paper proposes a player position prediction model based onNode2Vecand Light Gradient Boosting Machine （LGBM）.Through data mining andanalysis，thebasicdataofCBAplayers inthre seasons are crawled，andtheLGBMmodelis usedtopredictthepositionofplayers.Combied withhyper-parameteroptimizationandNode2Vec graphembeddngalgorithm， the accuracyof the modelitself is further improved.Theexperimentalresults show thatthe modelcan notonlyeffectively optimizetheteam'sieupandtacticalarrngements，butalsoprovide strongsupportfor thetamtoenhanceitscompetitiveess and overall performance.

Keywords： Machine Learning; Light Gradient Boosting Machine; Node2Vec; prediction model

0 引言

隨著比賽數(shù)據(jù)的逐漸增多和分析技術(shù)的進(jìn)步，對(duì)球員位置的分析已成為運(yùn)動(dòng)研究的重要方向。傳統(tǒng)上，球員位置的評(píng)估主要依賴于教練和分析師的主觀判斷，這種方法常常受到經(jīng)驗(yàn)和個(gè)人偏見的影響。近年來，數(shù)據(jù)科學(xué)和人工智能[技術(shù)的飛速發(fā)展為球員位置的量化評(píng)估提供了新的思路。這些分析方法不僅能夠處理球員在比賽中的基本統(tǒng)計(jì)數(shù)據(jù)，如得分、助攻和防守等數(shù)據(jù)，還能深入挖掘與球員表現(xiàn)相關(guān)的多維特征，從而為球隊(duì)在戰(zhàn)術(shù)安排、人員配置和球員選拔等方面做出更為科學(xué)的決策[2]。通過這些創(chuàng)新的技術(shù)手段，球隊(duì)能夠更精準(zhǔn)地識(shí)別和優(yōu)化球員的最佳位置，提升整體競爭力。

目前關(guān)于球員位置的研究主要集中在數(shù)據(jù)分析[3]和機(jī)器學(xué)習(xí)[4的應(yīng)用。符巍[5]提出了一種結(jié)合數(shù)據(jù)包絡(luò)分析和多元邏輯回歸的運(yùn)動(dòng)隊(duì)成績預(yù)測(cè)方法。該方法通過多元邏輯回歸分析運(yùn)動(dòng)隊(duì)獲勝概率與比賽結(jié)果的關(guān)系，然后利用數(shù)據(jù)包絡(luò)分析評(píng)估球員組合效率，以優(yōu)化球員選擇和比賽時(shí)間安排。Anil等[分析美國國家籃球協(xié)會(huì)（NBA）15個(gè)賽季的統(tǒng)計(jì)數(shù)據(jù)，采用層次聚類方法對(duì)球員進(jìn)行分組，并且結(jié)合調(diào)整后的正負(fù)值、平均分差等績效指標(biāo)，評(píng)估球員個(gè)體成就。Nouraie等[提出了一種基于機(jī)器學(xué)習(xí)模型的算法，用于確定足球運(yùn)動(dòng)員的合適位置。該算法利用FIFA數(shù)據(jù)集，邏輯回歸模型在所有位置上實(shí)現(xiàn)了 9 9 . 8 4 % 的平均準(zhǔn)確率。Raajesh等[通過采用K-means聚類算法，根據(jù)球員的歷史表現(xiàn)數(shù)據(jù)和擊球率對(duì)球員進(jìn)行分類，從而幫助教練和選拔者組成更平衡的團(tuán)隊(duì)。Yagin等[通過全球?qū)Ш叫l(wèi)星系統(tǒng)對(duì)一支足球隊(duì)日常訓(xùn)練數(shù)據(jù)進(jìn)行追蹤，采用隨機(jī)森林、梯度提升樹、集成分類與回歸樹等算法創(chuàng)建模型預(yù)測(cè)足球運(yùn)動(dòng)員位置，研究結(jié)果顯示，隨機(jī)森林模型實(shí)現(xiàn)了 100 % 的準(zhǔn)確率，表明其能夠準(zhǔn)確預(yù)測(cè)所有球員位置。隨著運(yùn)動(dòng)追蹤技術(shù)的應(yīng)用，楊杰[提出了一種基于加速度傳感器的球員位置跟蹤與分析方法，解決了現(xiàn)有無線傳感器方法中精度不足和數(shù)據(jù)類型有限的問題。該方法不僅能確定球員的場上位置，還能識(shí)別球員動(dòng)作，實(shí)驗(yàn)結(jié)果顯示該方法性能良好，可以滿足實(shí)際球員分析需求。

本文的主要貢獻(xiàn)有以下方面：

1）籃球作為一項(xiàng)對(duì)戰(zhàn)術(shù)要求極高的運(yùn)動(dòng)，球員的位置選擇和移動(dòng)直接影響比賽的結(jié)果。然而，在籃球領(lǐng)域，系統(tǒng)性的位置預(yù)測(cè)研究仍然顯得不足。盡管在其他運(yùn)動(dòng)項(xiàng)目已經(jīng)有許多相關(guān)研究，利用先進(jìn)的數(shù)據(jù)分析技術(shù)來預(yù)測(cè)球員的位置、優(yōu)化戰(zhàn)術(shù)布局并提升團(tuán)隊(duì)的整體表現(xiàn)，但在籃球領(lǐng)域的研究仍然有限。本文通過構(gòu)建CBA球員與比賽數(shù)據(jù)的交互模型，充分利用其結(jié)構(gòu)信息來提升預(yù)測(cè)模型的準(zhǔn)確性。這種細(xì)化的方式能夠更精準(zhǔn)地識(shí)別影響球員位置選擇的關(guān)鍵因素，從而為球隊(duì)提供更加科學(xué)的人員配置和戰(zhàn)術(shù)安排。

2）本研究采用輕量級(jí)梯度提升機(jī)（LightGradientBoostingMachine，LGBM）與Node2Vec算法，旨在實(shí)現(xiàn)對(duì)運(yùn)動(dòng)員場上位置的精確預(yù)測(cè)。LGBM作為一種高效的機(jī)器學(xué)習(xí)模型，具備處理大規(guī)模數(shù)據(jù)集的能力，并能挖掘出復(fù)雜的特征關(guān)系，從而對(duì)運(yùn)動(dòng)員在不同位置上的表現(xiàn)進(jìn)行準(zhǔn)確評(píng)估。同時(shí)，本研究引入Node2Vec算法進(jìn)行數(shù)據(jù)增強(qiáng)，該方法利用圖嵌入技術(shù)，能夠有效地捕捉運(yùn)動(dòng)員之間的相互作用關(guān)系以及比賽場上的動(dòng)態(tài)信息。通過這兩種技術(shù)的結(jié)合，顯著提升了對(duì)運(yùn)動(dòng)員場上位置的預(yù)測(cè)精度，并為球隊(duì)在戰(zhàn)術(shù)規(guī)劃和人員配置方面提供了更為科學(xué)的數(shù)據(jù)支撐。

1 數(shù)據(jù)準(zhǔn)備

1. 1 數(shù)據(jù)描述

通過Python爬取了CBA球員3個(gè)賽季（2021—2022、2022—2023和2023—2024）的基礎(chǔ)數(shù)據(jù)。CBA球員基礎(chǔ)數(shù)據(jù)主要包括球員身體數(shù)據(jù)（年齡、身高、體重等）和球員表現(xiàn)數(shù)據(jù)（得分、排名、籃板等），共計(jì)41個(gè)特征。

1.2 數(shù)據(jù)預(yù)處理

在數(shù)據(jù)預(yù)處理過程中，特征選擇是減少高維數(shù)據(jù)冗余和噪聲特征的重要步驟。通過去除無關(guān)或冗余的特征，可以有效降低算法的學(xué)習(xí)時(shí)間和空間復(fù)雜度，避免維數(shù)災(zāi)難，提升模型的運(yùn)行效率和泛化能力。在本次數(shù)據(jù)集中，原始特征共有41個(gè)，其中包含一些信息重復(fù)的特征，例如球員姓名與球員編號(hào)、球隊(duì)名稱與球隊(duì)編號(hào)等。經(jīng)過對(duì)特征的篩選和清理，刪除這些重復(fù)特征后，最終保留的特征數(shù)量為34個(gè)，保留了對(duì)模型預(yù)測(cè)任務(wù)有重要貢獻(xiàn)的信息，為后續(xù)分析奠定了良好的基礎(chǔ)，如表1所示。

本文通過機(jī)器學(xué)習(xí)算法，從球員身體數(shù)據(jù)和球員表現(xiàn)數(shù)據(jù)中提取關(guān)鍵信息，從而實(shí)現(xiàn)對(duì)球員位置的預(yù)測(cè)。

2 球員位置預(yù)測(cè)算法

2.1 LGBM算法

LGBM算法是對(duì)梯度提升決策樹（GradientBoostingDecisionTree，GBDT）算法的改進(jìn)[1]，改進(jìn)主要體現(xiàn)在基于Histogram的決策樹算法[12]。其基本思想是：首先把連續(xù)的浮點(diǎn)特征值離散化成 k 個(gè)整數(shù)，并構(gòu)造一個(gè)寬度為 k 的直方圖。在遍歷數(shù)據(jù)的時(shí)候，根據(jù)離散化后的值作為索引在直方圖中累積統(tǒng)計(jì)量，當(dāng)遍歷一次數(shù)據(jù)后，直方圖累積了需要的統(tǒng)計(jì)量，然后根據(jù)直方圖的離散值，遍歷尋找最優(yōu)的分割點(diǎn)。直方圖做差加速的基本思想是：一個(gè)葉子的直方圖可以由它的父節(jié)點(diǎn)的直方圖與它兄弟的直方圖做差得到，如圖1（a）所示。

圖1為LGBM算法相關(guān)內(nèi)容，它擺脫了傳統(tǒng)的按層生長的決策樹策略，而是使用了帶有深度限制的按葉子生長算法。該算法每次從當(dāng)前所有葉子中，找到分裂增益最大的一個(gè)葉子，然后分裂，如此循環(huán)，直至結(jié)束。其算法原理如圖1（b）所示。

此外，LGBM算法還可以直接輸入類別特征，并且支持高效并行[13]，可以實(shí)現(xiàn)大樣本下的快速運(yùn)算。

2.2 模型優(yōu)化

在確定基模型后，要提高模型的準(zhǔn)確率，一般通過超參數(shù)調(diào)節(jié)、數(shù)據(jù)增強(qiáng)或擴(kuò)充以及模型集成等方法進(jìn)行模型優(yōu)化。本文通過超參數(shù)調(diào)節(jié)和數(shù)據(jù)增強(qiáng)實(shí)現(xiàn)模型的優(yōu)化。

2.2.1 超參數(shù)調(diào)整

超參數(shù)調(diào)整對(duì)LGBM模型至關(guān)重要，因?yàn)樗軌蝻@著影響模型的性能和泛化能力。LGBM作為一種高效的梯度提升決策樹算法，具有多個(gè)可調(diào)的超參數(shù)，如迭代次數(shù)、學(xué)習(xí)率、最大樹深度、正則化參數(shù)（L1，L2）、樹的最大葉子數(shù)和分支節(jié)點(diǎn)最小權(quán)重等。合理的超參數(shù)設(shè)置可以提高模型的預(yù)測(cè)準(zhǔn)確性，并增強(qiáng)其在大規(guī)模數(shù)據(jù)上的處理能力。例如，較小的學(xué)習(xí)率通常需要更多的樹，而過多的樹可能導(dǎo)致過擬合，反之亦然。通過精心調(diào)整這些超參數(shù)，可以提升LGBM模型的表現(xiàn)，使其在不同數(shù)據(jù)集上的效果更加穩(wěn)健。

LGBM算法一般使用網(wǎng)格搜索（GridSearch，GS）、隨機(jī)搜索（RandomSearch）和貝葉斯優(yōu)化（BayesianOptimization）等超參數(shù)優(yōu)化技術(shù)，這些技術(shù)可以幫助自動(dòng)化這一過程，從而找到最佳的參數(shù)組合。

網(wǎng)格搜索和隨機(jī)搜索[14對(duì)每種超參數(shù)組合都是獨(dú)立計(jì)算的，容易造成計(jì)算浪費(fèi)，但方法簡單。而貝葉斯優(yōu)化算法則利用中間計(jì)算信息指導(dǎo)之后超參數(shù)的選擇。

貝葉斯優(yōu)化是基于數(shù)據(jù)使用貝葉斯定理估計(jì)目標(biāo)函數(shù)的后驗(yàn)分布，然后再根據(jù)分布選擇下一個(gè)采樣的超參數(shù)組合[15]。它充分利用了前一個(gè)采樣點(diǎn)的信息，其優(yōu)化的工作方式是通過對(duì)目標(biāo)函數(shù)形狀的學(xué)習(xí)，找到使結(jié)果向全局最優(yōu)提升的參數(shù)組合。概率函數(shù)為：

其中， f （ x ） 為 x 的目標(biāo)函數(shù)值， 為到目前為止最優(yōu)的 x 的目標(biāo)函數(shù)值， μ （ x ） 、 σ （ x ） 分別為高斯過程所得到的目標(biāo)函數(shù)的均值和方差，即 f （ x ） 的后驗(yàn)分布。 ξ 為權(quán)重系數(shù)。

通過下式求取 x

其中， 為前 t 個(gè)樣本，在正態(tài)分布的假定下，最終得到：

其中，

2.2.2 數(shù)據(jù)增強(qiáng)

為了應(yīng)對(duì)數(shù)據(jù)集中存在的高維性和稀疏性問題，引入潛在變量模型來捕捉全局關(guān)系結(jié)構(gòu)模式。將Node2Vec圖嵌入算法應(yīng)用于原始數(shù)據(jù)集，生成更多嵌入樣本，形成增強(qiáng)數(shù)據(jù)集。

Node2Vec圖嵌入算法通過控制隨機(jī)游走的方式，在一定程度上實(shí)現(xiàn)了對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的廣度優(yōu)先和深度優(yōu)先搜索[1]，從而有效地捕捉圖的全局和局部結(jié)構(gòu)信息。具體而言，Node2Vec利用兩個(gè)超參數(shù) p 和 q 控制游走的偏好，進(jìn)而調(diào)節(jié)對(duì)局部鄰域和全局關(guān)系的關(guān)注程度。在游走過程中生成的節(jié)點(diǎn)序列通過SkipGram模型映射為低維嵌入向量，使得相鄰節(jié)點(diǎn)在向量空間中具有更高的相似度，從而捕捉到節(jié)點(diǎn)間豐富的局部與全局關(guān)系。Skip-Gram模型的目標(biāo)函數(shù)如下：

其中， V 為所有節(jié)點(diǎn)的集合。 N （ u ） 為節(jié)點(diǎn) u 的上下文節(jié)點(diǎn)（在游走中與 u 相鄰的節(jié)點(diǎn)）。 是給定節(jié)點(diǎn) u 時(shí)生成上下文節(jié)點(diǎn) 的概率。

這種嵌入方式應(yīng)用于籃球球員數(shù)據(jù)時(shí)，有助于深入理解球員得分?jǐn)?shù)PTS與投籃次數(shù)FGA的關(guān)系。主要分為以下步驟：

1）對(duì)高維數(shù)據(jù)進(jìn)行相關(guān)性分析，通過相關(guān)矩陣分析變量之間的關(guān)系，得出球員得分?jǐn)?shù)PTS與投籃次數(shù)FGA之間的相關(guān)性較強(qiáng)，如圖2所示。

2）根據(jù)特征關(guān)系矩陣圖，從原始數(shù)據(jù)集中抽取PTS和FGA，并將他們組成一個(gè)新的邊列表數(shù)據(jù)框，如圖3所示。

3）將邊列表框轉(zhuǎn)化為圖對(duì)象，計(jì)算每個(gè)節(jié)點(diǎn)的特征向量中心值和度，并將結(jié)果拼接到原始數(shù)據(jù)集中。

4）根據(jù)圖對(duì)象訓(xùn)練并創(chuàng)建Node2Vec模型，并保存好模型和節(jié)點(diǎn)嵌入。

5）獲取得分和投籃次數(shù)的嵌入向量，并將它們拼接成一個(gè)新的嵌入向量，再與原始數(shù)據(jù)集進(jìn)行拼接。

2.2.3 性能指標(biāo)

對(duì)于分類算法，常用的評(píng)價(jià)標(biāo)準(zhǔn)包括準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1值等。準(zhǔn)確率即所有預(yù)測(cè)正確的占比，精確率表示預(yù)測(cè)為正確類別中實(shí)際正確的占比，召回率指所有實(shí)際為正確類別的樣本中被正確預(yù)測(cè)的比例。F1值綜合反映了模型性能，F(xiàn)1值越大，說明分類效果越好。

在二分類評(píng)價(jià)指標(biāo)的基礎(chǔ)上，CBA球員位置的分類評(píng)價(jià)指標(biāo)采用加權(quán)平均值，每種類別的準(zhǔn)確率、精確率、召回率、F1值等分別表示為 ， ， ， 為權(quán)重，共有 n 個(gè)類別。

模型的整體指標(biāo)為單個(gè)指標(biāo)的加權(quán)平均值，權(quán)重由每個(gè)因素的個(gè)數(shù)決定。

3 實(shí)例驗(yàn)證

3.1 預(yù)測(cè)模型

首先，通過常用的機(jī)器學(xué)習(xí)算法對(duì)原數(shù)據(jù)進(jìn)行分類與比較，對(duì)于CBA球員數(shù)據(jù)的33個(gè)特征，輸入特征為球員身體數(shù)據(jù)和球員表現(xiàn)數(shù)據(jù)，輸出數(shù)據(jù)為球員的位置，即控球后衛(wèi)、得分后衛(wèi)、中鋒、小前鋒和大前鋒。通過算法從輸入特征中提取信息從而實(shí)現(xiàn)對(duì)球員位置的預(yù)測(cè)。選取 20 % 數(shù)據(jù)為測(cè)試集，其余 80 % 數(shù)據(jù)為訓(xùn)練集，訓(xùn)練得到模型的準(zhǔn)確率如圖4所示。

從對(duì)比實(shí)驗(yàn)結(jié)果可以看出，LGBM在該任務(wù)中的預(yù)測(cè)效果最佳。圖中顯示，LGBM的準(zhǔn)確率達(dá)到了 62 % ，優(yōu)于XGB（ 60 % ）、邏輯回歸（ 5 5 % ）和K-最近鄰算法（ 52 % ），這說明LGBM在整體預(yù)測(cè)任務(wù)中的表現(xiàn)更為優(yōu)越。

3.2 超參數(shù)優(yōu)化

采用多種優(yōu)化方法對(duì)模型進(jìn)行調(diào)優(yōu)，得到了更全面的模型評(píng)價(jià)指標(biāo)。具體而言，在實(shí)驗(yàn)過程中，應(yīng)用了網(wǎng)格搜索、貝葉斯優(yōu)化策略，對(duì)模型的超參數(shù)進(jìn)行了系統(tǒng)調(diào)整，優(yōu)化后對(duì)應(yīng)模型的最優(yōu)參數(shù)如表2所示。

從最優(yōu)參數(shù)表可知，LGBM模型的學(xué)習(xí)率為0.1，經(jīng)過網(wǎng)格搜索和貝葉斯優(yōu)化后，學(xué)習(xí)率分別提高到

0.15和0.20。較高的學(xué)習(xí)率可以加快模型的收斂速度，但可能會(huì)影響模型的穩(wěn)定性，因此選擇學(xué)習(xí)率需要平衡速度與精度。

在貝葉斯優(yōu)化后的LGBM中，最大樹深度被調(diào)高至11，網(wǎng)格搜索優(yōu)化后為8，而原始LGBM為7，更大的樹深度允許模型更好地捕捉數(shù)據(jù)中的復(fù)雜特征，但可能會(huì)增加過擬合的風(fēng)險(xiǎn)。因此網(wǎng)格搜索和貝葉斯優(yōu)化后分別引入了 正則化（0.8和 ），有助于防止模型過擬合。

通過網(wǎng)格搜索和貝葉斯優(yōu)化對(duì)LGBM模型進(jìn)行超參數(shù)調(diào)節(jié)計(jì)算各項(xiàng)指標(biāo)的加權(quán)平均值，如表3所示。

上述結(jié)果表明，Bayes-LGBM模型可以從復(fù)雜的CBA數(shù)據(jù)中提取相應(yīng)特征，實(shí)現(xiàn)球員位置分類，得到相對(duì)較高的準(zhǔn)確率、精確率、召回率和F1指數(shù)，具體結(jié)構(gòu)如表4所示。

結(jié)果說明，相比于未通過超參數(shù)調(diào)整的LGBM模型，Bayes-LGBM模型對(duì)球員位置的選擇有一定的提升，但從整體的識(shí)別精度來看，還需要進(jìn)一步優(yōu)化。

3.3 Node2Vec圖嵌入優(yōu)化

通過Node2Vec圖嵌入算法進(jìn)行數(shù)據(jù)增強(qiáng)，然后再通過LGBM實(shí)現(xiàn)球員位置的預(yù)測(cè)。Node2Vec-LGBM模型評(píng)價(jià)指標(biāo)如表5所示。

此時(shí)的模型準(zhǔn)確率可達(dá)到 9 9 . 5 % ，即幾乎可以完全準(zhǔn)確預(yù)測(cè)球員的位置。Node2Vec-LGBM模型的混淆矩陣如圖5所示。

4球員位置預(yù)測(cè)

選取某一球員2024年某場次的信息，進(jìn)一步驗(yàn)證所提出的Node2Vec-LGBM模型優(yōu)越性。輸入球員“高登”的信息，如表6所示。

將信息代入訓(xùn)練好的Node2Vec-LGBM模型中，輸出結(jié)果成功預(yù)測(cè)為“控球后衛(wèi)”，這一結(jié)果與實(shí)際信息相符。該實(shí)驗(yàn)結(jié)果說明，Node2Vec-LGBM模型不僅在訓(xùn)練數(shù)據(jù)中表現(xiàn)出色，甚至在未經(jīng)訓(xùn)練的新數(shù)據(jù)上依舊能夠準(zhǔn)確地預(yù)測(cè)球員的位置。Node2Vec算法通過捕捉圖的全局和局部結(jié)構(gòu)特征，使得球員的復(fù)雜關(guān)系被有效量化，而LGBM則進(jìn)一步利用這些嵌入特征進(jìn)行分類。在這種模型架構(gòu)下，即使面對(duì)全新球員的數(shù)據(jù)，模型依然能夠識(shí)別出相似特征，進(jìn)而準(zhǔn)確判斷球員的位置。這樣的技術(shù)不僅可以提高球隊(duì)在賽場上的競爭力，還為運(yùn)動(dòng)分析和個(gè)性化訓(xùn)練策略提供了新方向。

5結(jié)論

本文基于LGBM模型，通過CBA球員的身體特征和球員表現(xiàn)特征對(duì)球員的位置進(jìn)行預(yù)測(cè)，根據(jù)球員身體素質(zhì)和表現(xiàn)情況就可以確定該球員適合哪一位置。通過對(duì)近3年數(shù)據(jù)的訓(xùn)練，說明LGBM模型在該數(shù)據(jù)集上的表現(xiàn)最好，而通過超參數(shù)調(diào)節(jié)后，模型的準(zhǔn)確率可達(dá) 71 % ，即該模型對(duì)于球員位置的預(yù)測(cè)結(jié)果具有一定的參考意義。

若為追求更高的準(zhǔn)確率，還可以通過Node2Vec圖嵌入算法進(jìn)行數(shù)據(jù)增強(qiáng)，得到的Node2Vec-LGBM模型預(yù)測(cè)準(zhǔn)確率可達(dá) 9 9 . 5 % 。在2024年新數(shù)據(jù)上進(jìn)一步驗(yàn)證了該模型，說明模型具有較強(qiáng)的泛化能力和魯棒性。未來，可以通過更多未經(jīng)訓(xùn)練的數(shù)據(jù)集進(jìn)一步驗(yàn)證模型的優(yōu)越性，更好地為球員的位置提供一定的決策參考。

參考文獻(xiàn)：

[1]霍波，李彥鋒，高騰，等.體育人工智能領(lǐng)域關(guān)鍵技術(shù)的研究現(xiàn)狀和發(fā)展方向[J].首都體育學(xué)院學(xué)報(bào)，2023，35（3）：233-256.

[2] YUCEBA＼$ S C.A Deep Learming Analysis for the EffectofIndividualPlayerPerformancesonMatch Results[J].NeuralComputingandApplications，2022，34（15）：12967-12984.

[3]王澤軍，游松輝.大數(shù)據(jù)背景下基于位置數(shù)據(jù)的足球戰(zhàn)術(shù)分析方法及發(fā)展趨勢(shì)[J].上海體育學(xué)院學(xué)報(bào)，2021，45（9）：

[4]金映言，賈俊，洪敏杰，等.面向NBA球員的數(shù)據(jù)分析和可視化[J].計(jì)算機(jī)應(yīng)用與軟件，2021，38（8）：84-91+174.

[5]符巍.基于數(shù)據(jù)驅(qū)動(dòng)與數(shù)據(jù)包絡(luò)分析的運(yùn)動(dòng)隊(duì)成績預(yù)測(cè)[J].山東體育學(xué)院學(xué)報(bào)，2021，37（4）：102-111.

[6]ANILDUMANE，SENNAROGLUB，TUZKAYA G.AClusterAnalysisofBasketballPlayersforEachofthe Five Traditionally Defined Positions [J].Proceedings of the Institution ofMechanical Engineers，Part P： Journal of Sports Engineering and Technology，2024，238（1）：55-75.

[7]NOURAIEM，ESLAHCHIC.PositioningSoccer PlayersforSuccess：AData-Driven MachineLearningApproach [J].Computational Mathematics and ComputerModelingwithApplications（CMCMA），2023，2（1）：24-33.

[8]RAAJESHS，MARTINN，JIJIJ，etal.Cricket Team SelectionandPlayerAnalysisusingDataAnalytics[C]//2O24IEEE RecentAdvancesin Intelligent Computational Systems （RAICS）. Kothamangalam：IEEE，2024：1-6.

[9]YAGINFH，HASANUCH，CLEMENTEFM， et al.Proceedings of the Institution of Mechanical Engineers， Part P：Journal of Sports Engineering and Technology [EB/OL].[2024-09-28].https：//journals.sagepub.com/doi/ abs/10.1177/17543371231199814.

[10]楊杰.一種基于傳感器的球員追蹤方法[J].微型電腦應(yīng)用，2023，39（3）：12-16.

[11]王飛，黃濤，楊曄.基于Stacking多模型融合的IGBT器件壽命的機(jī)器學(xué)習(xí)預(yù)測(cè)算法研究[J].計(jì)算機(jī)科學(xué)，2022，49（S1）：784-789.

[12]HUJ，CAOBX，ZHAOJX，etal.Researchon HumanActivity BehaviorRecognition TechnologyBased on LGBMModel[C]//2023IEEEInternationalConferenceon Sensors，Electronics and Computer Engineering （ICSECE）. Jinzhou：IEEE，2023：920-923.

[13]魏志強(qiáng)，張浩，陳龍.一種采用SmoteTomek和LightGBM算法的Web異常檢測(cè)模型[J].小型微型計(jì)算機(jī)系統(tǒng)，2020，41（3）：587-592.

[14]李海霞，宋丹蕾，孔佳寧，等.傳統(tǒng)機(jī)器學(xué)習(xí)模型的超參數(shù)優(yōu)化技術(shù)評(píng)估[J].計(jì)算機(jī)科學(xué)，2024，51（8）：242-255.

[15]李愛華，劉婉昕，陳思帆，等.面向不平衡數(shù)據(jù)的SMOTE-BO-XGBoost集成信用評(píng)分模型研究[J/OL].中國管理科學(xué)，2025：1-10[2025-03-24].https：//doi.org/10.16381/j.cnki.issn1003-207x.2023.0635.

[16]HAJ，PARKS.NCMD：Node2vec-BasedNeuralCollaborative Filtering for PRedicting MiRNA-Disease Association[J].IEEE/ACM Transactions on Computational Biology andBioinformatics，2023，20（2）：1257-1268.

作者簡介：何家麗（1999一），女，漢族，山西長治人，碩士在讀，研究方向：機(jī)器學(xué)習(xí)；楊軍（1986一），男，漢族，湖北荊州人，副教授，博士，研究方向：孤立子與可積系統(tǒng)。

江臺(tái)州人，助教，碩士，研究方向：計(jì)算機(jī)視覺；羅艷玲（1982.06一），女，漢族，湖北宜昌人，副教授，碩士，研究方向：計(jì)算機(jī)視覺；盧娜（1983.04—），女，漢族，湖北武漢人，講師，碩士，研究方向：計(jì)算機(jī)視覺；胡定興（1996.10一），男，漢族，江西南昌人，助教，碩士，研究方向：深度學(xué)習(xí)、自然語言處理；朱大琴（1981.06—），女，漢族，湖北天門人，講師，碩士，研究方向：思想政治教育研究、教學(xué)研究與教學(xué)改革。