关于2024年美赛C题的一些解法与讨论

题目复现

2024年美赛C题以2023年温网男单决赛德约科维奇vs阿尔卡拉斯为切入点， 提出“动量”的概念，让我们证明“动量”是否存在，对选手实时表现程度的预测，以及如果存在动量，影响最大的因素是什么。比赛给出了2023年温布尔登网球比赛中的男单比赛数据和表格说明。

数据分析与处理

数据分析

针对官方给出的男单数据.csv表格，我对其中的数据进行了筛选分析，以我个人对体育竞技赛事的了解，分析出了其中的几个重要数据，以p1为例，分别有p1_sets、p1_games、p1_score、server、p1_ace、p1_winner、p1_double_fault、p1_unf-err、p1_net_pt_won、p1_net_pt、p1_break_pt_won、p1_break_out、p1_distance_run、speed_mph。我没有对于最后几列关于球落点的处理，我认为可能影响不太大（但可能多少有点影响），由于全是字母，不知道如何转为数字处理，所以本文没有进行处理。根据上述表明的重要数据，我们通过计算得到了以下指标，建立了如下的评价体系：

A	是否在上一分中得分
B	是否为发球者
C	本局是否回击得分
D	本局是否发球得分
E	本game得分领先进度
F	是否出现非受迫性失误
G	对方发球机会与实际得分比
H	当前比赛获胜局数
I	上网次数与上网得分之比
J	此set的领先进度
K	发球配速
L	比赛运动总里程
M	前三个point的运动里程
N	上一个point的运动里程

通过将题给数据分析建立成上述评价指标体系，方便之后的输入机器学习或者深度学习模型中进行训练。

数据处理

将上述构建成一个具体的指标评价体系后，我们对异常值进行了处理，比如point中的AD（advantage）转换为了55，未测到的speed（NA）我们进行了剔除。此时各指标的数值大小大不相同，有的只有个位数，有的到了几百。接着为了将所有数值特征变化到一个共同的尺度，我们进行Min-Max标准化处理，得到最后的指标数值。

接着为了验证我们指标的正确性，我们以point为“时间”坐标轴（也就是总得分），以当前选手是否得分为结果（1为得分，0为未得分），使用SPSS对上述指标进行二元逻辑回归处理，处理结果如下：

real measurement		0	1	Percentage correct
result	0	383	237	61.8
	1	202	423	67.7
Overall percentage				64.7

可以看出，提出的这些指标还算是正向的，只是准确率稍低，在之后的问题我对其进行了优化。

问题一

针对上文的指标体系，本文主要采用机器学习的方法对“动量”和比赛波动情况进行预测，挑选了几个经典的机器学习模型进行验证（注意，本文是以总得分为时间轴，因为两个人加起来的得分是按照自然数递增的，所以不考虑使用时序预测模型，而采用解释性更强的机器学习模型）。结果如下：

Model	ACC	Recall	F1score	AUC
LightGBM	0.695	0.731	0.711	0.774
Random Forest	0.691	0.713	0.707	0.773
BP	0.701	0.737	0.717	0.772
Logistic Regression	0.666	0.689	0.679	0.722
SVC	0.692	0.712	0.708	0.755
BernoulliNB	0.659	0.643	0.659	0.713

可以看出，LightGBM和BP的预测准确性是最高的，我们用BP神经网络对“经典战役”中的德约科维奇表现进行了实时预测分析，

index = df[df.match_id=='2023-wimbledon-1701'].reset_index(drop=True).index
test = dataset.iloc[index]
train = dataset.drop(index,axis=0)
model = MLPClassifier(random_state=30)
model.fit(train[columns].values,train['label'].values)
pred = model.predict_proba(test[columns].values)
pred = pd.DataFrame({'score':pred[:,1]})

match1 = pred.iloc[:45]
match2 = pred.iloc[45:126]
match3 = pred.iloc[126:195]
match4 = pred.iloc[195:259]
match5 = pred.iloc[259:]

plt.figure(figsize=(12, 6), dpi=80, facecolor='w')
plt.plot(match1.index,match1.values)
plt.plot(match2.index,match2.values)
plt.plot(match3.index,match3.values)
plt.plot(match4.index,match4.values)
plt.plot(match5.index,match5.values)

plt.xlabel("Points")
plt.ylabel("Performance")
plt.savefig('走势.png',dpi=500)
plt.show()

以几个赛点为转折点，得到了表现程度图如下

问题二

问题二主要是让我们分析哪些因素对比赛的波动影响最大，根据上面的指标体系，其实可以大致分为几个方向：个人能力，临场心态（比如比分落后或领先）和疲惫程度（跑动距离）。我们利用Kendall’s Tau、Pearson和Spearman对相关性进行检验。

Symbol	Correlation coefficient	P-value
Pearson	0.486	<0.001
Spearman	0.484	<0.001
Kendall’s Tau	0.396	<0.001

三种方法得出的相关性都非常统计显著，这是由它们的P值来证实的，这些P值非常小，远低于常用的显著性水平0.05。这意味着观测到的相关性非常不可能是由偶然因素造成的。

接着使用一元线性回归对体系进行验证。

0LS Regression Results
R-squared:	0.236
Adj. R-squared:	0.236
F-statistic:	404.1
Prob(F-statistic):	1.63e-78
Log-Likelihood:	-771.90
AIC:	1548
BIC:	1558
Durbin-Watson	2.080

回归结果表明，F统计量和非常小的P值表明模型是有效的，至少有一个自变量对因变量有着显著的影响，这说明模型室友信息量的，并能捕捉到自变量与因变量之间的关系。 且Durbin-Watson统计量接近2，表明残差之间没有自相关，这符合良好回归模型的一个重要假设。总的来说，我们的模型验证了至少有一个指标以上对选手得分有着显著的影响，也就是“动量”是可以存在且影响着选手的得分情况。

问题三

针对上述指标体系二元逻辑回归表现一般的情况，我们对数据进行了聚合处理，从之前的每point记录胜负聚合为每set记录胜负，得到了1100余条数据，在对这些数据进行二元逻辑回归，结果如下：

real measurement		0	1	Percentage correct
result	0	388	167	69.9
	1	148	405	73.2
Overall percentage				71.6

可以看到整体正确率得到了提升，说明我们的聚合操作是有效的，为进一步的分析或模型开发提供了坚实的基础。

基于上述聚合后的数据，考虑到特征可能有点过多（15维），我们采用了利用PCA降维处理，再输入高斯贝叶斯进行预测，我们将这种新方法命名为Gaussian Probabilistic Dimensionality Reduction，依旧是对比几个网络的结果。

可以看出我们的GDPR的AUC是最高的。最后再对“经典战役”的德约科维奇表现进行预测。

可以看到，相较于问题一提出的模型，GPDR有着更符合实际情况的预测。

对于聚合后的指标数据，我们计算了其在GDPR模型下的重要性得分，以确定哪些因素是极为重要的。（这里的O是之前定的，后面删掉了，这里没改）

结果可以看出，大部分指标都是有效的，尤其是K（Leading progress of the game ）、A（Whether or not you scored in the previous point）、C（Whether or not to score a comeback）等与比赛过程中的波动极为相关，这说明在比赛中，个人能力和心态是主要因素，面对较大比分落后时，选手面临的压力可能会较大。

问题四、五

其实就是让我们在对模型进行泛化性实验，这里提供一下往年的温网数据：https://github.com/JeffSackmann/tennis_slam_pointbypoint/tree/master

我们对2023女单的比赛进行了泛化性实验，总而言之，我们构建的指标体系不仅适用于特定体育项目，也提供了一个可推广的框架，适用于其他体育赛事的预测分析。这为评价和理解运动员表现的波动提供了有力支持，从而可以更全面地评估和预测体育竞技赛事的结果。

总结

本次MCM的C题还是比较有挑战性的，本文只是根据我们的方法给出了一个拙劣的思路供大家参考，事实上使用时序预测模型可能效果会更好，只是他的时间都是随机数，可能这里需要调整，然后指标体系可能也需要调整，我们的指标设定不一定完全符合真实的体育赛事影响因素，比如有些在特征重要性的分中出现了0的情况，但由于时间问题，我们也只做到了这里。