[发明专利]用于多任务学习的方法及系统

说明书

本文公开了一种生成多模态预测的方法。计算系统从数据存储装置中检索赛事数据。赛事数据包括跨多个赛季的多个赛事的信息。计算系统通过混合密度网络学习与赛事数据中每场比赛之后的下一场比赛相关联的多个值，通过从赛事数据生成输入向量，来使用混合密度网络生成预测模型。混合密度网络被训练成几乎同时输出多个值。计算系统接收针对竞赛中的赛事的赛事数据集。赛事数据集包括至少针对比赛场地位置和当前得分的信息。计算系统经由预测模型，基于赛事数据集生成与赛事之后的下一个赛事相关联的多个值。

相关申请的交叉引用

本申请要求于2019年3月1日提交的美国申请序列号为62/812,511的优先权，该申请通过引用整体并入本文。

技术领域

本公开总体上涉及用于生成多模态预测的系统和方法。

背景技术

在过去十年的体育分析中，圣杯是找到的“一个最佳指标”，它可以通过获胜的镜头最好地捕捉球员和球队的表现。例如，棒球中的胜利贡献值(WAR)、篮球中的预期得分(EPV)和效率指标以及足球中的预期目标值等预期指标被用作团队和球员分析的“黄金标准”。在美式橄榄球中，防守调整平均价值(DVOA)可能是全国橄榄球联盟(NationalFootball League，NFL)中最受尊重和使用的高级指标。DVOA利用预期值和效率指标，并分析与每次比赛的预期相比的比赛值，同时团队、驱动力和比赛环境的价值进行规范化。

发明内容

本文公开的实施例总体涉及用于生成多模态预测的系统和方法。在一些实施例中，本文公开了一种生成多模态预测的方法。计算系统从数据存储装置中检索赛事数据。该赛事数据包括跨多个赛季的多个赛事的信息。计算系统通过混合密度网络学习与赛事数据中每场比赛之后的下一场比赛相关联的多个值，通过从赛事数据生成输入向量，来使用混合密度网络生成预测模型。输入向量包括与赛事数据中的每场比赛相关联的一个或更多个参数。混合密度网络被训练成几乎同时输出多个值。计算系统接收针对竞赛中的赛事的赛事数据集。赛事数据集包括至少针对比赛场地位置和当前得分的信息。计算系统经由预测模型，基于赛事数据集生成与赛事之后的下一个赛事相关联的多个值。多个值几乎同时被确定。

在另一实施例中，本文公开了一种用于生成多模态预测的系统。该系统包括处理器和存储器。存储器上存储有编程指令，编程指令在由处理器执行时，执行一个或更多个操作。一个或更多个操作包括从数据存储装置中检索赛事数据。该赛事数据包括跨多个赛季的多个赛事的信息。一个或更多个操作还包括：通过从赛事数据生成输入向量并且通过混合密度网络学习与赛事数据中每场比赛之后的下一场比赛相关联的多个值，来使用混合密度网络生成预测模型。输入向量包括与赛事数据中的每场比赛相关联的一个或更多个参数。混合密度网络被训练成几乎同时输出多个值。一个或更多个操作包括接收针对竞赛中的赛事的赛事数据集。赛事数据集包括至少针对比赛场地位置和当前得分的信息。一个或更多个操作包括经由预测模型，基于赛事数据集生成与赛事之后的下一个赛事相关联的多个值。多个值几乎同时被确定。

在另一实施例中，一种非暂时性计算机可读介质包括一个或更多个指令序列，当由一个或更多个处理器执行时，该指令序列引起一个或更多个操作。计算系统从数据存储装置中检索赛事数据。该赛事数据包括跨多个赛季的多个赛事的信息。计算系统通过混合密度网络学习与赛事数据中每场比赛之后的下一场比赛相关联的多个值，通过从赛事数据生成输入向量，来使用混合密度网络生成预测模型。输入向量包括与赛事数据中的每场比赛相关联的一个或更多个参数。混合密度网络被训练成几乎同时输出多个值。计算系统接收针对竞赛中的赛事的赛事数据集。该赛事数据集包括至少针对比赛场地位置和当前得分的信息。计算系统经由预测模型，基于赛事数据集生成与赛事之后的下一个赛事相关联的多个值。多个值几乎同时被确定。

附图说明

为了能够详细理解本公开的上述特征，可以参照实施例对以上简要概述的本公开进行更具体的描述，其中一些实施例在附图中示出。然而，应注意，附图仅示出了本公开的典型实施例，因此不应被视为对本公开范围的限制，因为本公开可以允许其它等效实施例。