《Applied Sciences》:From Shots to Forecasts: One-Step-Ahead Prediction of Team-Level Expected Goals in Football
编辑推荐:
预期进球(Expected Goals, xG)描述了足球比赛表现,但其作为预测未来球队表现的时间序列信号的价值尚未得到充分证实。研究人员利用覆盖30个赛事、共32,121场比赛的源数据,在按时间分组的组内划分(chronological within-pan
预期进球(Expected Goals, xG)描述了足球比赛表现,但其作为预测未来球队表现的时间序列信号的价值尚未得到充分证实。研究人员利用覆盖30个赛事、共32,121场比赛的源数据,在按时间分组的组内划分(chronological within-panel splits)及日历截止敏感性分析(calendar-cutoff sensitivity analysis)框架下,评估了球队层面xG的一步超前预测(one-step-ahead forecasts)。主要预测目标为焦点球队xG(xGF);失球xG(xGA)与xG差值(xGD)由配对球队预测推导得出。研究人员比较了滚动均值(rolling mean)、ARIMA、线性混合效应(linear mixed-effects)、XGBoost及时序卷积网络(Temporal ConvNet)等模型。混合效应模型在xGF(MAE为0.545,对比滚动均值的0.591)与xGD(MAE为0.790,对比滚动均值的0.861)上取得了最低的测试平均绝对误差(Mean Absolute Error, MAE),实现约8%的适度降低。XGBoost具有相近的MAE,并在xGD方向准确率(directional accuracy)上表现最优(66.35%对比60.97%,提升5.38个百分点)。在仅保留上下文信息的XGBoost对比分析中,同时移除xG历史、比赛周次(match week)及过往比赛场次数后,未检测到统计显著的MAE差异。混合效应模型的历史信息增益(0.0009与0.0020)经多重性校正(multiplicity adjustment)后不显著。在相似输入信息条件下,时序卷积网络在xGF的MAE上与XGBoost相当,并在xGD上具有小幅优势。基于验证集的平滑处理(validation-based smearing)在较小MAE代价下降低了负偏差及均方根误差(Root Mean Squared Error, RMSE)。日历评估显示,混合效应模型与XGBoost模型在既往赛季及新赛季中均体现出历史信息增益。在主要回顾性组内划分下未检测到显著差异,并不等同于模型间具有等价性。
论文解读
一、研究背景与问题
预期进球(Expected Goals, xG)作为衡量足球比赛进攻质量的核心指标,已广泛应用于赛后表现评估与球队实力分析。然而,现有研究多聚焦于xG对单场比赛结果的解释能力,关于xG是否具备作为时间序列信号、用于预测球队未来表现的潜力,学界尚未形成系统性认识。具体而言,当前存在以下关键问题:第一,xG序列的时序可预测性缺乏大规模跨赛事验证;第二,不同预测建模方法在球队层面xG预测中的相对优劣尚无定论;第三,历史比赛信息对预测精度的增量贡献未被严格量化;第四,模型在跨赛季泛化场景下的稳定性有待检验。为此,本研究利用覆盖30个赛事、32,121场比赛的丰富数据源,系统评估多种模型在球队层面xG一步超前预测中的表现,旨在填补xG时序预测领域的实证空白。
二、研究内容与结论
研究人员以焦点球队xG(xGF)为主要预测目标,并进一步推导失球xG(xGA)与xG差值(xGD),在按时间分组的组内划分框架下开展预测比较,辅以日历截止敏感性分析以检验结果的稳健性。研究得出以下核心结论:混合效应模型在xGF与xGD预测中取得最低测试MAE(分别为0.545与0.790),较滚动均值基线(0.591与0.861)实现约8%的适度误差降低;XGBoost在MAE上与混合效应模型相当,但在xGD方向准确率上表现最优(66.35%),较基线(60.97%)提升5.38个百分点。研究还发现,在仅保留上下文信息的XGBoost对比中,同时移除xG历史、比赛周次及过往比赛场次数后,未检测到统计显著的MAE差异,提示上下文信息在树模型中的预测贡献有限;混合效应模型的历史信息增益(0.0009与0.0020)经多重性校正后不显著。时序卷积网络在相似输入条件下与XGBoost表现相当。日历评估进一步表明,混合效应与XGBoost模型在既往赛季及新赛季中均体现出历史信息增益,支持了历史xG信息的跨赛季预测价值。研究的重要意义在于:系统性地确立了xG作为时序预测信号的可利用性,为足球数据分析提供了从单场评估走向前瞻预测的方法论基础。
三、关键技术方法
本研究主要采用以下关键方法:其一,数据来源方面,使用覆盖30个赛事、32,121场比赛的源数据,包含各球队逐场比赛的xG记录;其二,预测框架方面,采用按时间分组的组内划分(chronological within-panel splits)进行训练/测试切分,并以日历截止(calendar-cutoff)方式进行敏感性分析,以检验时间切分方式对结果的影响;其三,模型体系方面,比较了滚动均值(rolling mean)基线、ARIMA、线性混合效应模型(linear mixed-effects)、XGBoost及时序卷积网络(Temporal ConvNet)五类方法,涵盖统计时序模型、混合效应框架与机器学习及深度学习模型;其四,评价指标方面,以平均绝对误差(MAE)、均方根误差(RMSE)及方向准确率(directional accuracy)多维度衡量预测性能;其五,推断方法方面,采用验证集平滑处理(validation-based smearing)校正预测偏差,并通过多重性校正(multiplicity adjustment)对历史信息增益进行统计显著性检验。
四、研究结果
混合效应模型取得最低MAE。 在xGF预测中,混合效应模型测试MAE为0.545,优于滚动均值的0.591;在xGD预测中,混合效应模型MAE为0.790,优于滚动均值的0.861,实现约8%的适度误差降低,表明纳入球队随机效应可有效提升预测精度。
XGBoost方向准确率最优。 XGBoost在MAE上与混合效应模型相当,但在xGD方向准确率上以66.35%显著优于滚动均值的60.97%,增益达5.38个百分点,说明树模型在捕捉xG差值的变动方向上具有独特优势。
上下文信息贡献有限。 在仅保留上下文信息的XGBoost对比中,同时移除xG历史、比赛周次及过往比赛场次数后,未检测到统计显著的MAE差异,提示这些时序特征对树模型预测的增量价值有限。
混合效应历史增益不显著。 混合效应模型的历史信息增益(xGF为0.0009,xGD为0.0020)经多重性校正后未达显著水平,表明在回顾性组内划分下,历史xG对混合效应模型的增量贡献有限。
时序卷积网络表现相当。 在相似输入信息条件下,时序卷积网络在xGF的MAE上与XGBoost相当,并在xGD上具有小幅优势,说明深度学习时序模型在该预测任务中具备与梯度提升模型相近的竞争力。
平滑处理改善偏差。 基于验证集的平滑处理(validation-based smearing)在较小MAE代价下有效降低了预测的负偏差与RMSE,为预测校准提供了实用手段。
日历评估支持跨赛季增益。 日历评估显示,混合效应模型与XGBoost模型在既往赛季及新赛季中均体现出历史信息增益,支持了历史xG信息在跨赛季场景下的预测价值。
五、讨论与结论
讨论部分指出,在主要回顾性组内划分下未检测到显著差异,并不等同于模型间具有等价性,研究设计的时间切分方式可能影响对历史信息增益的估计。日历评估结果进一步表明,历史xG信息在跨赛季场景下具有更明确的预测增益,提示回顾性划分可能低估了时序信息的实际价值。研究结论可概括为:球队层面xG具备作为时序信号进行一步超前预测的可行性,混合效应模型与XGBoost在预测精度上优于简单滚动均值基线,其中混合效应模型在误差控制上表现最佳,XGBoost在方向预测上具有优势;历史xG信息的预测价值在不同评估框架下存在差异,其统计显著性受多重性校正影响;非显著差异不应被解读为模型等价,未来研究需在更广泛的评估框架下进一步检验各模型的预测能力与泛化表现。