ترجمه فارسی مقاله سیستم ثبت و پیش‌بینی مومنتوم بر اساس داده‌های مسابقات ویمبلدون اوپن ۲۰۲۳

چکیده

There is a hidden energy in tennis, which cannot be seen or touched. It is the force that controls the flow of the game and is present in all types of matches. This mysterious force is Momentum. This study introduces an evaluation model that synergizes the Entropy Weight Method (EWM) and Gray Relation Analysis (GRA) to quantify momentum’s impact on match outcomes. Empirical validation was conducted through Mann-Whitney U and Kolmogorov-Smirnov tests, which yielded p values of 0.0043 and 0.00128,respectively. These results underscore the non-random association between momentum shifts and match outcomes, highlighting the critical role of momentum in tennis. Otherwise, our investigation foucus is the creation of a predictive model that combines the advanced machine learning algorithm XGBoost with the SHAP framework. This model enables precise predictions of match swings with exceptional accuracy (0.999013 for multiple matches and 0.992738 for finals). The model’s ability to identify the influence of specific factors on match dynamics,such as bilateral distance run during points, demonstrates its prowess.The model’s generalizability was thoroughly evaluated using datasets from the four Grand Slam tournaments. The results demonstrate its remarkable adaptability to different match scenarios,despite minor variations in predictive accuracy. It offers strategic insights that can help players effectively respond to opponents’ shifts in momentum,enhancing their competitive edge.

چکیده به فارسی (ترجمه ماشینی)

یک انرژی پنهان در تنیس وجود دارد که نمی توان آن را دید یا لمس کرد.این نیرویی است که جریان بازی را کنترل می کند و در انواع مسابقات وجود دارد.این نیروی مرموز حرکت است.این مطالعه یک مدل ارزیابی را معرفی می کند که روش وزن آنتروپی (EWM) و تجزیه و تحلیل رابطه خاکستری (GRA) را هم افزایی می کند تا تأثیر حرکت را بر نتایج مسابقه تعیین کند.اعتبار سنجی تجربی از طریق آزمون Mann-Whitney U و Kolmogorov-Smirnov انجام شد ، که به ترتیب مقادیر P 0.0043 و 0.00128 را به دست آورد.این نتایج تأکید می کند که ارتباط غیر تصادفی بین تغییرات حرکت و نتایج مطابقت دارد و نقش اساسی حرکت در تنیس را برجسته می کند.در غیر این صورت ، تحقیق ما Foucus ایجاد یک مدل پیش بینی کننده است که الگوریتم یادگیری ماشین پیشرفته XGBoost را با چارچوب Shap ترکیب می کند.این مدل پیش بینی های دقیقی از نوسانات مسابقه را با دقت استثنایی (0.999013 برای چندین مسابقه و 0.992738 برای فینال) امکان پذیر می کند.توانایی مدل در شناسایی تأثیر عوامل خاص بر پویایی مسابقه ، مانند اجرای فاصله دو طرفه در طول امتیاز ، قدرت آن را نشان می دهد. تعمیم پذیری مدل با استفاده از مجموعه داده های چهار تورنمنت Grand Slam به طور کامل ارزیابی شد.نتایج با وجود تغییرات جزئی در دقت پیش بینی کننده ، سازگاری قابل توجه آن را با سناریوهای مختلف مطابقت نشان می دهد.این بینش های استراتژیک ارائه می دهد که می تواند به بازیکنان کمک کند تا به طور مؤثر در مورد حرکت مخالفان در حرکت پاسخ دهند و باعث افزایش لبه رقابتی خود شوند.