太平洋电脑网测评每一名球迷，可能都希望脱离繁琐的工作，舒舒服服看一场球赛，可是作为打工人，不可能每天关注比赛。这时，球迷希望有一款APP，通过它能够快速获得足球资讯，知道前夜比赛的结果和比分，如果能看到进球视频，那是更好不过了。随着现在科技的发展，信息传播很快，各种足球比分应用层出不穷。到底哪个应用比较值得推荐呢？小编给大家整理了几个比较主流的APP进行评测，建议大家搜索应用名称，下载试用一下。1、精球体育优势：原创短视频，数据更新快精球体育是2019年兴起的一款新型体育应用。为什么我会第一个推荐的是它？因为它的功能有个主要特色——进球短视频。小编是精球体育的忠诚用户，可以刷到每天最新进球视频，对比了其他APP，精球体育的短视频更快，而且更全面。如果你是一个真正的球迷，如果只看新闻就太没意思了。每天早上上班，坐在公交车上，刷进球短视频实在是太香！特别精彩的进球，小编还会分享到朋友圈和足球群里，跟朋友一起讨论技术。短视频栏目其他关于体育APP的功能，它基本都有，没有本质的区别。比如赛事即时比分功能，与全球足球比赛的进球数据库连接，目前来说，它是更新比分最快，时差最少的一款。还有个功能比较实用，有个赛事预告功能，提前预告球赛。对于你感兴趣的比赛，比如五大联赛可以点击关注，这样的话，无论再忙也不用担心忘记比赛，小编个人比较喜欢这个功能。各项体育数据也比较全面，联赛积分榜，射手榜，以及球员俱乐部的数据都很全面，可以轻松查询到。喜欢的可以搜索“精球体育”下载。进球体育界面2、PP体育优势：较早的体育直播平台第二个推荐PP体育的主要原因是：PP体育是较早互联网直播体育赛事的平台，他目前拥有重量级赛事直播。而足球即时比分，上面有球队的积分榜、胜平负数据、进失数据、球员相关数据、赛程时间、转会情况等相关资料与数据也都有，这是大多数体育应用的标配！2、懂球帝优势：专业资讯文章第三个推荐懂球帝的主要原因是：懂球帝是专业做足球资讯的平台，他相比精球体育和PP不同的地方，PP主要看视频看球赛，而懂球帝则与PP互补，上面主要有球队、球员的相关新闻，包括球赛、球星转会、球星花边等，如果你除了想了解赛事之外，还想了解一下球星、球队周边的事情。而要说足球即时比分及相关数据，我觉得这个APP相对详尽，除了常规的赛程、积分榜和射手榜，它还提供每名球员的动态，详细资料和赛程，还能查看到诸如荷甲、德乙等联赛积分榜。发布于 2020-12-24 15:44

我们学校有一个老师专门在做这个事情：用AI预测足球比赛的结果。从前深度学习时代做到现在，也算是从一而终了。这老师的Google Scholar首页对这个任务，有专门的数据集，有专门的模型，也有专门的比赛：总的来说，这个世界上确实有那么一拨人在努力解决这个问题。由于这个领域实在是缺乏大量的数据，一些先前的研究仍然与统计高度相关。一些出现过的方法可以被分类为：统计模型：有序的probit回归模型（Kuypers 2000；Goddard和Asimakopoulos 2004；Forrest等人2005；Goddard 2005）和泊松模型（Maher 1982；Dixon和Coles 1997；Lee 1997；Karlis和Ntzoufras 2003；Angelini和 Angelis 2017）。Joseph、Fenton和Neil（2006）[1]研究的重点是建立一个专家贝叶斯网络来预测托特纳姆热刺队在1995-1997年期间的成绩。他们证明了他们的专家贝叶斯网络优于其他机器学习技术，如K-近邻、朴素贝叶斯和MC4决策树。Owramipur、Eskandarian和Mozneb（2013）[2]提出了一个贝叶斯网络，用于预测西班牙足球队巴塞罗那队的足球成绩。他们的研究展示了有趣特征的使用，如天气状况、球员的心理状态以及是否有主要球员受伤。他们报告了非常高的准确率，平均准确率为92%，但他们的系统只为一支球队和一个赛季建模，只涉及被观察的球队的20场比赛。Constantinou和Fenton（2013）[3]根据他们之前的研究（Constantinou, Fenton, & Neil, 2012）[4]，提出了另一个用于预测协会足球比赛结果的贝叶斯网络。他们用自己的模型预测了2011-2012赛季英超的每场比赛，并在每场比赛前在网上公布了他们的预测结果。他们证明了他们能够通过使用比以前的研究不那么复杂的模型来产生盈利的回报。Dixon和Coles(1997)[5]对每支球队的进球数采用了双变量泊松分布，并以与球队过去表现有关的特征为参数。然而，他们的重点是将开发的模型作为制定博彩策略的基础，使其产生超过博彩公司赔率的正预期收益。Goddard（2005）[6]使用了一个有序的probit回归模型来预测一场足球比赛的结果。他们的研究涉及到各种有趣的预测因素，如球队主场的地理距离和比赛的平均上座率，他们能够证明这些解释变量对预测比赛有意义。然而，他们的研究广泛地集中在对经济收益和固定赔率博彩市场的价格效率的分析上，而不是对比赛的预测。Karlis和Ntzoufras（2010）[7]将加权似然法与传统的最大似然法进行了比较，结果显示他们提出的方法对离群值提供了有效的保护。Boshnakov, Kharrat, and McHale (2017)[8]介绍了一个模型，该模型使用基于Weibull间隔时间和copula的计数过程来产生一场比赛中主客队进球数的双变量分布。机器学习和概率图模型：遗传算法（Tsakonas等人，2002；Rotshtein等人，2005），贝叶斯或马尔科夫方法（Joseph等人，2006；Baio和Blangiardo，2010；Rue和Salvesen，2010；Constantinou等人，2012，2013）以及神经网络（Cheng等人，2003；Huang和Chang，2010；Arabzad等人，2014）Rotshtein、Posner和Rakityanskaya（2005）[9]创建了一个用于足球预测的模糊模型，其中的参数是使用遗传算法和神经网络的组合进行调整。他们将这个模型应用于芬兰锦标赛的比赛数据，并表明这些用于模型参数选择的调整技术改善了他们的模糊逻辑模型的结果。Godin、Zuallaert、Vandersmissen、De Neve和Van de Walle（2014）[10]以及Schumaker、Jarmoszko和Labedz（2016）[11]利用了社会媒体平台的集体知识，特别是Twitter。Schumaker等人（2016年）利用他们收集的推文中的情绪来预测比赛结果，以及做出有关赌注的决定。他们表明，众包产生的结果比使用领域专家更好，特别是在赌注决策方面。Godin等人（2014年）使用集体知识和传统统计学习技术的混合方法解决了这个问题。然而，他们的工作更注重于提高博彩公司的预测赔率，以实现更大的货币利润。评分系统：基于广为人知的ELO评级系统的变种（Elo 1978；Leitner等人，2010；Hvattum和Arntzen，2010）等。ELO评级最初由Elo（1978年）[12]提出，用于国际象棋选手的排名，但后来被Hvattum和Arntzen（2010年）[13]改编为足球比赛预测问题，他们使用经济和统计措施来比较应用于足球比赛预测的ELO排名系统与一组六种基准预测方法的优点。Constantinou、Fenton和Neil（2013）[14]随后提出了另一种评级技术，称为pi-rating，该技术被证明优于Hvattum和Arntzen（2010）提出的ELO调整。显然这类问题就像是做量化一样，对特征的构建几乎决定了对结果的预测是否准确（Joseph等人，2006年[15]，Owramipur等人，2013年[16]）。我们知道量化分析的预测会分析时序上的信息、该时刻大盘横截面信息，设计各种因子，甚至考虑一些外部舆论信息。大多数现有研究也尽可能在多方面考虑各种特征。主/客场因素，几乎是必选特征。各队的进攻、中场、防守和整体评级。进球数量差距。在建立足球预测模型时，进球数差是非常重要的。Constantinou和Fenton（2013）引入的pi评级系统提供了经验证明，进球数差作为预测足球比赛结果的一个特征，效果很好。不同研究选择的特征侧重是不一样的，例如在一篇研究中，作者选择使用角球、射门和进球作为衡量球队表现的最重要指标。时间维度上的球队近期表现，并根据每场比赛进行系数更新。之后就是根据特征进行的建模了。在这类预测任务上，一些非NN方法如GBDT的表现个人认为比神经网络方法稳健得多。实际上，不止足球比赛，类似的团队竞赛如排球和篮球都有一些研究出现。一个相关的综述可以看这里：Baboota, Rahul, and Harleen Kaur. "Predictive analysis and modelling football results using machine learning approach for English Premier League."International Journal of Forecasting35.2 (2019): 741-755. ^Joseph A., Fenton N.E., Neil M. Predicting football results using Bayesian nets and other machine learning techniques Knowledge-Based Systems, 19 (2006), pp. 544-553^Owramipur F., Eskandarian P., Mozneb F.S. Football result prediction with Bayesian network in Spanish league-Barcelona team International Journal of Computer Theory and Engineering, 5 (2013), pp. 812-815^Constantinou A.C., Fenton N.E. Determining the level of ability of football teams by dynamic ratings based on the relative discrepancies in scores between adversaries Journal of Quantitative Analysis in Sports, 9 (2013), pp. 37-50^Constantinou A.C., Fenton N.E., Neil M. pi-football: A Bayesian network model for forecasting Association Football match outcomes Knowledge- Based Systems, 36 (2012), pp. 322-339^Dixon M.J., Coles S.G. Modelling association football scores and inefficiencies in the football betting market Journal of the Royal Statistical Society. Series C. Applied Statistics, 46 (1997), pp. 265-280^Goddard J. Regression models for forecasting goals and match results in association football International Journal of Forecasting, 21 (2005), pp. 331-340^Karlis D., Ntzoufras I. Robust fitting of football prediction models IMA Journal of Management Mathematics, 22 (2010), pp. 171-182^Boshnakov G., Kharrat T., McHale I.G. A bivariate Weibull count model for forecasting association football scores International Journal of Forecasting, 33 (2017), pp. 458-466^Rotshtein A.P., Posner M., Rakityanskaya A.B. Football predictions based on a fuzzy model with genetic and neural tuning Cybernetics and System Analysis, 41 (2005), pp. 619-630^Godin F., Zuallaert J., Vandersmissen B., De Neve W., Van de Walle R. Beating the bookmakers: leveraging statistics and Twitter microposts for predicting soccer results Workshop on Large-Scale Sports Analytics, KDD (2014)^Schumaker R.P., Jarmoszko A.T., Labedz C.S. Predicting wins and spread in the premier league using a sentiment analysis of Twitter Decision Support Systems, 88 (2016), pp. 76-84^Elo A. The rating of chess players, past and present Arco, New York (1978)^Hvattum L.M., Arntzen H. Using ELO ratings for match result prediction in association football International Journal of Forecasting, 26 (2010), pp. 460-470^Constantinou A.C., Fenton N.E., Neil M. Profiting from an inefficient association football gambling market: Prediction, risk and uncertainty using Bayesian networks Knowledge-Based Systems, 50 (2013), pp. 60-86^Joseph A., Fenton N.E., Neil M. Predicting football results using Bayesian nets and other machine learning techniques Knowledge-Based Systems, 19 (2006), pp. 544-553^Owramipur F., Eskandarian P., Mozneb F.S. Football result prediction with Bayesian network in Spanish league-Barcelona team International Journal of Computer Theory and Engineering, 5 (2013), pp. 812-815