Momentum Prediction and Core Feature Extraction Based on GRU with Integrated Gradients
基于GRU和积分梯度的动量预测与核心特征提取
数据预处理：
- 对缺失值进行填充：
- 发球速度：根据球员在其他比赛中的发球习惯，用正态分布填充。
- 二元变量（如发球位置）：使用该球员在其他比赛中的频率用伯努利分布填充。
- 多值变量（如发球深度）：用多项分布填充。
- 跑动距离：基于球员习惯用均匀分布填充。
- 异常值处理：
- 针对张力值为 0 的异常值，重新构建分布并重新采样。
瞬时得分率模型（ISR）：
- 使用三次样条插值法处理离散数据，将比赛中的离散得分点平滑为连续函数，计算瞬时得分率。
- 基于插值函数的导数计算每个时间点的瞬时得分率。
- 结果验证了发球方的先发优势。
势头与胜利关系的独立性测试：
- 假设势头与胜利独立。
- 通过标准化瞬时得分率去除发球优势的影响，观察分布是否符合正态。
- 结果显示分布具有双峰特性，证明势头与胜利非独立。
- 验证非独立性模型：
- 分析除发球优势外的其他因素对比赛得分率的影响。
- 结果表明势头与得分率受多个因素共同影响。
基于GRU和集成梯度的特征工程：
- 使用 GRU 神经网络对比赛势头建模：
- 数据分类：将39维相关变量按心态、耐力、错误率等六大维度分类。
- 数据降维：每个维度通过线性层和
tanh激活函数聚合为单一数值。
- 应用集成梯度算法：
- 计算每个输入维度对输出势头的影响强度。
- 提取对势头变化最显著的 12 个关键指标。
泛化测试：
- 在不同性别、比赛类型和其他球类运动数据上验证模型的预测能力和泛化性。