胡凌鋒 劉銘濤

數(shù)據(jù)驅(qū)動(dòng)的NBA季后賽資格預(yù)測(cè)模型研究

胡凌鋒 劉銘濤

（華南理工大學(xué)工商管理學(xué)院，廣東 廣州 510640）

以NBA職業(yè)籃球比賽為研究對(duì)象，預(yù)測(cè)能夠進(jìn)入季后賽的球隊(duì)。文章提出影響模擬仿真比賽勝負(fù)關(guān)系的兩個(gè)指標(biāo)——“絕殺”制勝和加時(shí)賽制勝，根據(jù)常規(guī)賽前段每支球隊(duì)的比賽數(shù)據(jù)，通過蒙特卡洛仿真計(jì)算每支球隊(duì)常規(guī)賽后段每場(chǎng)比賽的勝負(fù)關(guān)系，進(jìn)而計(jì)算得到每支球隊(duì)整個(gè)常規(guī)賽的勝負(fù)場(chǎng)數(shù)，以此構(gòu)建季后賽資格預(yù)測(cè)模型。以2015-2019連續(xù)4年的NBA比賽數(shù)據(jù)進(jìn)行檢驗(yàn)，結(jié)果表明預(yù)測(cè)模型能以較高的精確度預(yù)測(cè)球隊(duì)常規(guī)賽勝負(fù)場(chǎng)數(shù)，以不低于87.5%的準(zhǔn)確率預(yù)測(cè)聯(lián)盟進(jìn)入季后賽的球隊(duì)。

預(yù)測(cè)模型；數(shù)據(jù)驅(qū)動(dòng)；籃球比賽；蒙特卡洛仿真；季后賽資格

競(jìng)技比賽的結(jié)果所涉及的因素較多，預(yù)測(cè)時(shí)需要考慮的因素非常多。而團(tuán)隊(duì)作戰(zhàn)的競(jìng)技比賽預(yù)測(cè)更加復(fù)雜，比賽結(jié)果涉及的因素除了個(gè)人能力和個(gè)人臨場(chǎng)發(fā)揮以外，還包括團(tuán)隊(duì)配合等協(xié)同作戰(zhàn)能力。因此，比賽結(jié)果的預(yù)測(cè)是一個(gè)非常專業(yè)的領(lǐng)域問題。

近幾年，大數(shù)據(jù)分析技術(shù)逐步成熟，各種數(shù)據(jù)處理方法和數(shù)據(jù)分析方法的應(yīng)用為比賽結(jié)果的預(yù)測(cè)開辟了一條新的研究范式，即“數(shù)據(jù)驅(qū)動(dòng)+模型驅(qū)動(dòng)”的問題求解范式[1]。在此研究范式下，不再對(duì)實(shí)際數(shù)據(jù)統(tǒng)計(jì)分析并構(gòu)建數(shù)據(jù)模型，即傳統(tǒng)的“模型驅(qū)動(dòng)”的問題求解。取而代之的是，直接將原始數(shù)據(jù)帶入到問題模型之中，進(jìn)行問題求解[2]。相比之下，“數(shù)據(jù)驅(qū)動(dòng)+模型驅(qū)動(dòng)”的范式取消對(duì)復(fù)雜數(shù)據(jù)的建模分析中間環(huán)節(jié)，能夠避免復(fù)雜數(shù)據(jù)建模引發(fā)的模型“失真”后果。

本文即是在此研究范式下，以美國(guó)職業(yè)籃球聯(lián)賽NBA的比賽為對(duì)象，根據(jù)所有球隊(duì)在常規(guī)賽前半段的比賽數(shù)據(jù)，預(yù)測(cè)每支球隊(duì)常規(guī)賽后半段的比賽結(jié)果，進(jìn)而根據(jù)預(yù)測(cè)結(jié)果，給出能夠進(jìn)入季后賽的球隊(duì)。

1 相關(guān)研究

美國(guó)職業(yè)籃球聯(lián)賽NBA是美國(guó)發(fā)展最為良好、商業(yè)運(yùn)作最為成功的競(jìng)技類賽事之一。在經(jīng)濟(jì)利益的驅(qū)動(dòng)下，對(duì)于NBA比賽中球員的數(shù)據(jù)統(tǒng)計(jì)、球隊(duì)的數(shù)據(jù)統(tǒng)計(jì)都非常詳盡。而這些數(shù)據(jù)成為對(duì)球隊(duì)單場(chǎng)比賽結(jié)果的預(yù)測(cè)，甚至是球隊(duì)的整體排名評(píng)價(jià)，是NBA體育產(chǎn)業(yè)的重要研究?jī)?nèi)容。

代表性的研究工作包括：[3]以球隊(duì)在比賽中的助攻次數(shù)作為描述球隊(duì)團(tuán)隊(duì)協(xié)作能力和水平的指標(biāo)，驗(yàn)證了其與球隊(duì)比賽勝算率的正向關(guān)系[4]。采用實(shí)驗(yàn)設(shè)計(jì)（DOE）的方法，分析了比賽中球隊(duì)主客場(chǎng)、球隊(duì)在本賽區(qū)排名、球隊(duì)所屬賽區(qū)排名等三個(gè)因素與比賽結(jié)果的關(guān)系。而比較常見的預(yù)測(cè)模型包括回歸模型[5-9]、馬爾科夫過程[10]、樸素貝葉斯模型[11]等。

近幾年，隨著大數(shù)據(jù)技術(shù)的不斷創(chuàng)新，越來越多的新技術(shù)和模型被引入到比賽結(jié)果預(yù)測(cè)之中。例如，[12]采用兩層前向反饋網(wǎng)絡(luò)（人工神經(jīng)網(wǎng)絡(luò)）預(yù)測(cè)比賽結(jié)果；[13]融合了包括前向反饋網(wǎng)絡(luò)等4種人工神經(jīng)網(wǎng)絡(luò)模型，用于預(yù)測(cè)比賽結(jié)果；[14]構(gòu)建球員和球隊(duì)的關(guān)系網(wǎng)絡(luò)，并采用復(fù)雜網(wǎng)絡(luò)分析的評(píng)價(jià)指標(biāo)對(duì)比賽結(jié)果進(jìn)行預(yù)測(cè)；[15]借鑒復(fù)雜網(wǎng)絡(luò)分析中的PageRank算法，提出TeamRank算法預(yù)測(cè)比賽結(jié)果。類似的工作還包括：基于模糊集[16]、貝葉斯回歸[17]、支持向量機(jī)[18，19]等。

由于競(jìng)技比賽結(jié)果存在著不確定性因素和隨機(jī)性因素，前人除了引入Logit模型、貝葉斯模型、馬爾科夫鏈等隨機(jī)模型外，還轉(zhuǎn)向采用計(jì)算機(jī)仿真分析方法[10，20]。相比于數(shù)學(xué)模型，計(jì)算機(jī)仿真模型（蒙特卡洛隨機(jī)數(shù)仿真）能夠考慮更多和更復(fù)雜的隨機(jī)情況，因此逐步被推崇。

本篇論文即是采用計(jì)算機(jī)仿真模型，引入更多相關(guān)因素，從而能夠更加準(zhǔn)確的預(yù)測(cè)結(jié)果。

2 NBA季后賽排位的預(yù)測(cè)模型

2.1 球隊(duì)比賽結(jié)果的預(yù)測(cè)模型

NBA正賽（夏季聯(lián)賽不計(jì)入球隊(duì)成績(jī)）分為兩個(gè)階段：常規(guī)賽和季后賽。每年4月結(jié)束的常規(guī)賽，將確定參加季后賽的16支球隊(duì)，即東部球隊(duì)8支和西部球隊(duì)8支。在常規(guī)賽中間，還有一個(gè)非常特殊的時(shí)間和比賽，即每年2月份的全明星表演賽。在NBA常規(guī)賽開始的第16周的星期四，是球隊(duì)球員的交易截止日。在交易截止日之后，每支球隊(duì)只能在現(xiàn)有球員基礎(chǔ)上完成本年度剩余的常規(guī)賽比賽和季后賽比賽。而這個(gè)時(shí)間（交易截止日）通常是全明星表演賽前后。

NBA球隊(duì)的比賽分為主、客場(chǎng)。對(duì)于一支球隊(duì)而言，主場(chǎng)的場(chǎng)地熟悉、觀眾支持、裁判判罰等一系列因素影響下，其主場(chǎng)比賽的表現(xiàn)通常要強(qiáng)過其面對(duì)相同對(duì)手時(shí)的客場(chǎng)比賽表現(xiàn)。因此，本文主要將球隊(duì)的比賽成績(jī)按照主客場(chǎng)成績(jī)進(jìn)行分類統(tǒng)計(jì)，并以此構(gòu)建模擬球隊(duì)在主客場(chǎng)面對(duì)對(duì)手時(shí)的比賽勝率?？紤]到球隊(duì)的球員穩(wěn)定性和磨合期的問題，本文以全明星賽之前的賽季數(shù)據(jù)，預(yù)測(cè)球隊(duì)在全明星賽后的勝負(fù)情況。并且，根據(jù)每支球隊(duì)的勝負(fù)場(chǎng)數(shù)，進(jìn)行球隊(duì)排名進(jìn)而預(yù)測(cè)賽季進(jìn)入季后賽的球隊(duì)。

NBA正賽開始后，對(duì)每支球隊(duì)的比賽結(jié)果進(jìn)行統(tǒng)計(jì)。計(jì)算得到每支球隊(duì)的主場(chǎng)比賽贏球的比率，客場(chǎng)比賽的贏球比率。以及，NBA中30支球隊(duì)的平均主場(chǎng)比賽贏球比率LH和客場(chǎng)比賽贏球比率LR。

定義變量H(i)為一場(chǎng)比賽中，主場(chǎng)比賽的球隊(duì)的主場(chǎng)贏球比率；變量R(j)為客場(chǎng)比賽的球隊(duì)的客場(chǎng)贏球比率。參考Ammar和Wright給出的球隊(duì)贏得比賽的可能性[20]：

公式中，H(i)給出的是主場(chǎng)比賽球隊(duì)的贏球預(yù)測(cè)結(jié)果/概率值，R(j)給出的是客場(chǎng)比賽球隊(duì)的贏球預(yù)測(cè)結(jié)果。

不同于三大球中的足球、排球，籃球比賽中兩支實(shí)力接近的隊(duì)伍輸贏結(jié)果不確定性更高?；@球比賽不接受平局，因此實(shí)力相當(dāng)?shù)幕@球比賽，根據(jù)籃球比賽的比賽規(guī)則，會(huì)在正常比賽結(jié)束時(shí)間無法確定輸贏時(shí)，增加“加時(shí)賽”。同樣，在實(shí)力相當(dāng)?shù)幕@球比賽中，經(jīng)常會(huì)出現(xiàn)“絕殺”的情景，即一方球隊(duì)在比賽的最后時(shí)間得分，改變比分并贏得比賽。因此，為了避免實(shí)力相當(dāng)球隊(duì)因加時(shí)賽或絕殺等偶然性因素放大球隊(duì)的贏球概率，本文提出從原始數(shù)據(jù)集合中剔除這些比賽的比賽數(shù)據(jù)，即剔除那些比賽結(jié)果隨機(jī)性較高的比賽場(chǎng)次，使保留的比賽成績(jī)能夠更加準(zhǔn)確地衡量一支球隊(duì)的實(shí)力。

為了檢驗(yàn)預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確性，本文采用兩個(gè)廣為接受的預(yù)測(cè)模型評(píng)價(jià)指標(biāo)。一個(gè)是預(yù)測(cè)模型得到進(jìn)入季后賽的球隊(duì)名單和當(dāng)年實(shí)際進(jìn)入季后賽的球隊(duì)名單的匹配度：

= (實(shí)際進(jìn)入季后賽的球隊(duì)數(shù)量)/16 (3)

另一個(gè)是預(yù)測(cè)模型得到每支球隊(duì)常規(guī)賽最終勝場(chǎng)數(shù)量和當(dāng)年該球隊(duì)實(shí)際比賽勝場(chǎng)數(shù)量的均方方差：

公式(4)中，x給出的是球隊(duì)i實(shí)際勝場(chǎng)數(shù)，y是根據(jù)預(yù)測(cè)得到其勝場(chǎng)數(shù)。

2.2 基于蒙特卡洛仿真的比賽結(jié)果預(yù)測(cè)

由于公式(1)和公式(2)給出的是比賽雙方的輸贏概率，為了計(jì)算/預(yù)測(cè)該球隊(duì)的比賽結(jié)果，以及常規(guī)賽結(jié)束后球隊(duì)的比賽總勝場(chǎng)次，本文采用蒙特卡洛仿真的方法計(jì)算球隊(duì)的輸贏結(jié)果。具體來說，預(yù)測(cè)過程如下圖所示。

圖1 基于蒙特卡洛仿真的預(yù)測(cè)模型

3 進(jìn)行季后賽球隊(duì)預(yù)測(cè)

以2016—2017賽季為例，從NBA官方網(wǎng)站上下載并整理各支球隊(duì)的比賽結(jié)果，計(jì)算全明星賽前每支球隊(duì)主場(chǎng)比賽的平均勝率H和客場(chǎng)比賽的平均勝率R，以及30支球隊(duì)整體的主場(chǎng)比賽平均勝率LH，客場(chǎng)比賽的平均勝率LR。

通過剔除“絕殺”制勝的比賽和包含加時(shí)賽的比賽，計(jì)算得到所有球隊(duì)主場(chǎng)平均勝率和客場(chǎng)平均勝率分別為LH=0.5838,LR=0.4162。公牛隊(duì)的主場(chǎng)平均勝率和客場(chǎng)平均勝率分別為H(i)=0.5833,R(i)=0.4074。

以公牛隊(duì)（客場(chǎng)）與太陽(yáng)隊(duì)（主場(chǎng)）比賽為例，已知太陽(yáng)隊(duì)主場(chǎng)平均勝率和客場(chǎng)平均勝率分別為H(j)=0.3333,R(j)=0.1923，可以計(jì)算公牛隊(duì)能夠贏得本場(chǎng)比賽的概率為：

H(i)=0.5833-[0.1923-0.4162]=0.8072 (5)

根據(jù)公牛隊(duì)的比賽日程表，其全明星賽后還剩余25場(chǎng)比賽。根據(jù)公式(1)和(2)分別計(jì)算其主場(chǎng)比賽和客場(chǎng)比賽的比賽結(jié)果預(yù)測(cè)。表1為蒙特卡洛仿真方法下，單次仿真計(jì)算得到的公牛隊(duì)的25場(chǎng)比賽的比賽結(jié)果和總勝場(chǎng)數(shù)。

表1 2016—2017賽季公牛隊(duì)的全明星賽后25場(chǎng)比賽結(jié)果預(yù)測(cè)

全明星賽后賽程安排聯(lián)盟主場(chǎng)勝率0.5838 聯(lián)盟客場(chǎng)勝率0.4162 客場(chǎng)球隊(duì)客場(chǎng)球隊(duì)的客場(chǎng)勝率主場(chǎng)球隊(duì)主場(chǎng)球隊(duì)的主場(chǎng)勝率公牛勝率隨機(jī)數(shù)X勝負(fù)情況 太陽(yáng)0.1923公牛0.58330.80720.0022勝 公牛0.4074騎士0.88460.10660.5157負(fù) 掘金0.3704公牛0.58330.62920.0999勝 勇士0.8846公牛0.58330.11490.4179負(fù) 快船0.5862公牛0.58330.41330.4180負(fù) 公牛0.4074活塞0.60000.39120.5584負(fù) 公牛0.4074魔術(shù)0.34620.64500.2051勝 火箭0.6071公牛0.58330.39240.0919勝 公牛0.4074凱爾特人0.74070.25040.3579負(fù) 公牛0.4074黃蜂0.57140.41980.0580勝 灰熊0.4815公牛0.58330.51810.1335勝 公牛0.4074奇才0.78570.20550.8710負(fù) 爵士0.5652公牛0.58330.43430.7911負(fù) 公牛0.4074猛龍0.69230.29890.0581勝 活塞0.2963公牛0.58330.70330.3993勝 76人0.2800公牛0.58330.71960.7771負(fù) 公牛0.4074雄鹿0.54170.44950.4572負(fù) 騎士0.5000公牛0.58330.49960.4251勝 老鷹0.5000公牛0.58330.49960.6502負(fù) 公牛0.4074鵜鶘0.48000.51120.6272負(fù) 公牛0.4074尼克斯0.52000.47120.1239勝 公牛0.407476人0.40910.58210.6977負(fù) 公牛0.4074籃網(wǎng)0.17860.81260.2430勝 魔術(shù)0.3462公牛0.58330.65340.9313負(fù) 籃網(wǎng)0.0870公牛0.58330.91260.0197勝 12/25

重復(fù)仿真1000次，得到公牛隊(duì)的勝場(chǎng)數(shù)量分布如圖2。

圖2 重復(fù)仿真的公牛隊(duì)勝場(chǎng)結(jié)果

3.1 2016—2017賽季的常規(guī)賽結(jié)果預(yù)測(cè)

以賽事結(jié)束的2016-2017賽季的比賽數(shù)據(jù)進(jìn)行分析。

首先，通過計(jì)算得到2016-2017賽季每支球隊(duì)主場(chǎng)勝率和客場(chǎng)勝率，以及全聯(lián)盟平均的主場(chǎng)勝率和客場(chǎng)勝率如表2。

重復(fù)1000次仿真，得到每支球隊(duì)常規(guī)賽的勝場(chǎng)預(yù)測(cè)結(jié)果如表3。

表2 2016-2017賽季NBA全明星賽前30支球隊(duì)的主客場(chǎng)勝率

2016-2017賽季全明星賽前聯(lián)盟球隊(duì)主客場(chǎng)勝率聯(lián)盟平均主場(chǎng)勝率0.5838 聯(lián)盟平均客場(chǎng)勝率0.4162 東部球隊(duì)客場(chǎng)勝率主場(chǎng)勝率西部球隊(duì)客場(chǎng)勝率主場(chǎng)勝率 凱爾特人0.56520.7407勇士0.88460.9600 騎士0.50000.8846馬刺0.77780.7391 猛龍0.52000.6923火箭0.60710.7500 奇才0.50000.7857爵士0.56520.6552 老鷹0.50000.5652快船0.58620.7200 雄鹿0.40000.5417雷霆0.40000.7917 步行者0.32000.6154灰熊0.48150.5652 公牛0.40740.5833開拓者0.25000.5417 熱火0.40000.4800掘金0.37040.6087 活塞0.29630.6000鵜鶘0.32000.4800 黃蜂0.34780.5714獨(dú)行俠0.25000.5000 尼克斯0.34780.5200國(guó)王0.40000.4167 魔術(shù)0.34620.3462森林狼0.28570.4643 76人0.28000.4091湖人0.21880.4583 籃網(wǎng)0.08700.1786太陽(yáng)0.19230.3333

表3 2016—2017賽季NBA常規(guī)賽結(jié)束后球隊(duì)排位預(yù)測(cè)結(jié)果

東部15支球隊(duì) 球隊(duì)名稱仿真預(yù)測(cè)勝場(chǎng)數(shù)真實(shí)勝場(chǎng)數(shù)排序仿真預(yù)測(cè)排位真實(shí)排位 凱爾特人54.33531騎士凱爾特人 騎士60.09512凱爾特人騎士 猛龍48.64503奇才猛龍 奇才50.57494猛龍奇才 老鷹46.49435老鷹老鷹 雄鹿37.65426公牛雄鹿 步行者40.23427步行者步行者 公牛40.61418活塞公牛 熱火36.44419雄鹿熱火 活塞39.113710熱火活塞 黃蜂36.013611黃蜂黃蜂 尼克斯34.463112尼克斯尼克斯 魔術(shù)29.972913魔術(shù)魔術(shù) 76人29.92281476人76人 籃網(wǎng)13.142015籃網(wǎng)籃網(wǎng) 西部15支球隊(duì) 球隊(duì)名稱仿真預(yù)測(cè)勝場(chǎng)數(shù)真實(shí)勝場(chǎng)數(shù)排序仿真預(yù)測(cè)排位真實(shí)排位 勇士70.17671勇士勇士 馬刺61.39612馬刺馬刺 火箭56.32543火箭火箭 爵士49.35514快船爵士 快船51.67515爵士快船 雷霆47.38476雷霆雷霆 灰熊46.13437灰熊灰熊 開拓者34.57418掘金開拓者 掘金38.12409開拓者掘金 鵜鶘32.433510國(guó)王鵜鶘 獨(dú)行俠32.303311鵜鶘獨(dú)行俠 國(guó)王33.913212獨(dú)行俠國(guó)王 森林狼29.843113森林狼森林狼 湖人27.272614湖人湖人 太陽(yáng)25.062415太陽(yáng)太陽(yáng)

圖3 模型預(yù)測(cè)結(jié)果圖示（2016-2017賽季）

圖3為預(yù)測(cè)結(jié)果與真實(shí)結(jié)果的對(duì)比?？梢钥闯?，無論是比賽結(jié)果（球隊(duì)勝場(chǎng)總數(shù)）的預(yù)測(cè)，還是球隊(duì)排位的預(yù)測(cè)（是否能夠進(jìn)入季后賽），預(yù)測(cè)結(jié)果與實(shí)際結(jié)果非常接近。

3.2模型有效性檢驗(yàn)為了檢驗(yàn)所提出模型的有效性，對(duì)影響模擬仿真比賽勝負(fù)關(guān)系的兩個(gè)指標(biāo)分別建模，具體對(duì)比分析以下四種不同預(yù)測(cè)模型下的比賽結(jié)果。

模型1：將“絕殺”和含加時(shí)賽的比賽剔除，用剩余的比賽結(jié)果計(jì)算球隊(duì)的贏球比率和全聯(lián)盟的平均贏球比率。

模型2：剔除那些含加時(shí)賽的比賽，但保留“絕殺”比賽，用剩余的比賽結(jié)果計(jì)算球隊(duì)的贏球比率和全聯(lián)盟的平均贏球比率。

模型3：剔除那些因“絕殺”比賽，但保留含加時(shí)賽的比賽，用剩余的比賽結(jié)果計(jì)算球隊(duì)的贏球比率和全聯(lián)盟的平均贏球比率。

模型4：保留所有比賽的結(jié)果，計(jì)算得到每支球隊(duì)的贏球比率和全聯(lián)盟的平均贏球比率。

圖4 2015—2016賽季不同模型預(yù)測(cè)各支球隊(duì)比賽結(jié)果

圖5 2016—2017賽季不同模型預(yù)測(cè)各支球隊(duì)比賽結(jié)果

確定不同模型后，根據(jù)不同模型計(jì)算每支球隊(duì)主場(chǎng)和客場(chǎng)贏球比率，以及全聯(lián)盟30支球隊(duì)的主場(chǎng)和客場(chǎng)贏球比，球隊(duì)的比賽結(jié)果預(yù)測(cè)依然采用公式(1)和公式(2)計(jì)算。對(duì)2015-2019年4個(gè)賽季的結(jié)果進(jìn)行預(yù)測(cè)，四種預(yù)測(cè)模型的預(yù)測(cè)結(jié)果如圖4至圖7。

將仿真結(jié)果與當(dāng)年球隊(duì)的實(shí)際表現(xiàn)對(duì)比，可以發(fā)現(xiàn)本文所提出的預(yù)測(cè)模型都能夠較好的預(yù)測(cè)球隊(duì)勝場(chǎng)數(shù)。

圖6 2017—2018賽季不同模型預(yù)測(cè)各支球隊(duì)比賽結(jié)果

圖7 2018—2019賽季不同模型預(yù)測(cè)各支球隊(duì)比賽結(jié)果

表4 四種模型的預(yù)測(cè)效果對(duì)比

進(jìn)入季后賽球隊(duì)的匹配度 預(yù)測(cè)球隊(duì)勝場(chǎng)數(shù)與實(shí)際勝場(chǎng)數(shù)的均方差（MSE） 2015—2016賽季2016—2017賽季2017—2018賽季2018—2019賽季2015—2016賽季2016—2017賽季2017—2018賽季2018—2019賽季 模型187.5%87.5%93.75%93.75% 5.98766.08466.19957.4900 模型287.5%87.5%93.75%93.75% 6.35206.11746.90427.7290 模型387.5%87.5%93.75%93.75% 6.16026.51496.43167.7068 模型487.5%87.5%93.75%93.75% 6.86477.34557.64017.8145

為進(jìn)一步驗(yàn)證模型的有效性，對(duì)比四種不同模型對(duì)預(yù)測(cè)結(jié)果的影響，應(yīng)用公式(3)和公式(4)計(jì)算預(yù)測(cè)效果的兩個(gè)指標(biāo)，得到結(jié)果如表4。四種不同模型對(duì)于進(jìn)入季后賽的16支隊(duì)伍預(yù)測(cè)結(jié)果相同，準(zhǔn)確率均不低于87.5%，其中2017-2019兩個(gè)賽季的準(zhǔn)確率達(dá)93.75%。而從每支球隊(duì)勝場(chǎng)數(shù)的預(yù)測(cè)結(jié)果來看，剔除了那些隨機(jī)性較大的比賽結(jié)果后，可以發(fā)現(xiàn)預(yù)測(cè)結(jié)果更好，即從模型1、模型2和模型3可以看出，其預(yù)測(cè)結(jié)果都好過模型4，其中剔除了兩種影響模擬仿真比賽勝負(fù)關(guān)系的“絕殺”和含加時(shí)賽的比賽數(shù)據(jù)后的模型1預(yù)測(cè)結(jié)果最好，精度最高。

4 結(jié)論

本文以NBA職業(yè)籃球比賽結(jié)果預(yù)測(cè)為研究對(duì)象，提出基于計(jì)算機(jī)仿真的季后賽資格預(yù)測(cè)模型，剔除比賽數(shù)據(jù)中隨機(jī)性較高的比賽場(chǎng)次（“絕殺”制勝比賽和加時(shí)賽比賽），預(yù)測(cè)每支球隊(duì)整個(gè)常規(guī)賽的勝負(fù)場(chǎng)數(shù)，并據(jù)此計(jì)算球隊(duì)的常規(guī)賽排名進(jìn)而預(yù)測(cè)聯(lián)盟中進(jìn)入季后賽的球隊(duì)。根據(jù)2015-2019四個(gè)賽季的實(shí)際數(shù)據(jù)檢驗(yàn)，本文提出的仿真預(yù)測(cè)模型能夠以較高的預(yù)測(cè)精確度預(yù)測(cè)聯(lián)盟球隊(duì)常規(guī)賽勝負(fù)場(chǎng)數(shù)，并以不低于87.5%的準(zhǔn)確率預(yù)測(cè)聯(lián)盟中進(jìn)入季后賽的球隊(duì)。

[1]陳國(guó)青,吳剛，顧遠(yuǎn)東，等.管理決策情境下大數(shù)據(jù)驅(qū)動(dòng)的研究和應(yīng)用挑戰(zhàn)—范式轉(zhuǎn)變與研究方向[J].管理科學(xué)學(xué)報(bào),2018，21(7): 1-10.

[2]Elbattah M， Molloy O. Learning about Systems using Machine Learning: Towards More Data-driven Feedback Loops [C]. In Proceedings of the 2017 Winter Simulation Conference. 2017:1539-1550.

[3]Melnick MJ. Relationship between team assists and win-loss record in The National Basketball Association [J]. Perceptual and Motor Skills. 2001，92(2): 595-602.

[4]Liu F， Shi Y， Najjar L. Application of design of experiment method for sports results prediction[J]. Procedia Computer Science， 2017(122):720-726.

[5]Shen K. Data Analysis of Basketball Game Performance Based on Bivariate Poisson Regression Model [J]. Computer Modelling & New Technologies. 2014，18(12): 474-479.

[6]Chatterjee S，Campbell MR， Wiseman F. Take That Jam! An Analysis of Winning Percentage for NBA Teams[J]. Managerial and Decision Economics. 1994,15(5): 521-535.

[7]Zimmermann A. Basketball Predictions in the NCAAB and NBA: Similarities and Differences[J].Statistical Analysis and Data Mining: The ASA Data Science Journal. 2016,9(5): 350-364.

[8]高紅霞,楊迪，蘇理云,等.基于Fisher模型的NBA季后賽資格預(yù)測(cè)[J].重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)),2015，29(9): 126-130.

[9]潘建武.對(duì)NBA常規(guī)賽比賽勝負(fù)影響因素及Fisher判別分析[J].四川體育科學(xué),2012(5): 45-48.

[10]Strumbelj E， Vracar P. Simulating a Basketball Match with a Homogeneous Markov Model and Forecasting the Outcome [J]. International Journal of Forecasting. 2012，28(2): 532-542.

[11]Miljkovic D， Gajic L， Kovacevic A， Konjovic Z. The Use of Data Mining for Basketball Matches Outcomes Prediction [C]. In Proceedings of 2010 IEEE 8th International Symposium on Intelligent Systems and Informatics. 2010:309-312.

[12]Giuliodori P. An Artificial Neural Network-based Prediction Model for Underdog Teams in NBA Matches[C]. In Proceedings of the 4th Workshop on Machine Learning and Data Mining for Sports Analytics, 2017: 73-82.

[13]Loffelholz B， Bednar E， Bauer KW. Predicting NBA Games Using Neural Networks [J].Journal of Quantitative Analysis in Sports, 2009,5(1): 7.

[14]Melo POSV， Almeida VAF， Loureiro AAF. Can Complex Network Metrics Predict the Behavior of NBA Teams? [C]. In Proceedings of 14thACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2008: 695-703.

[15]Xia V，Jain K，Krishna A， Brinton CG. A Network-Driven Methodology for Sports Ranking and Prediction [C]. In Proceedings of 2018 52nd Annual Conference on Information Sciences and Systems,2018: 1-6.

[16]Trawinski K. A Fuzzy Classification System for Prediction of the Results of the Basketball Games [C]. In Proceedings of IEEE International Conference on Fuzzy Systems, 2010: 1-7.

[17]Lam MWY. One-Match-Ahead Forecasting in Two-Team Sports with Stacked Bayesian Regressions [J]. Journal of Artificial Intelligence and Soft Computing Research, 2018,8(3): 159-172.

[18]Pai PF， Changliao LH， Lin KP. Analyzing Basketball Games by a Support Vector Machines with Decision Tree Model [J].Neural Computing and Applications. 2016,28(12): 4159-41679.

[19]曾磐，朱安民.基于支持向量機(jī)的NBA季后賽預(yù)測(cè)方法 [J].深圳大學(xué)學(xué)報(bào)(理工版),2016,33(1): 62-71.

[20]Ammar S， Wright R. Comparing the Impact of Star Rookies Carmelo Anthony and Lebron James: An Example on Simulating Team Performances in the NBA League [J]. Informs Transactions on Education. 2004,5(1): 67-74.

Study on the Data-Driven Forecasting Model for NBA Playoffs Qualifications

HU Lingfeng, etal.

(South China University of Technology, Guangzhou 510640, Guangdong, China)

胡凌鋒（1993—），碩士生，研究方向：工業(yè)工程。