ترجمه فارسی مقاله مدل انتقال حرکت مبتنی بر TCDformer برای پیش‌بینی بلند مدت ورزش

چکیده

Accurate sports prediction is a crucial skill for professional coaches, which can assist in developing effective training strategies and scientific competition tactics. Traditional methods often use complex mathematical statistical techniques to boost predictability, but this often is limited by dataset scale and has difficulty handling long-term predictions with variable distributions, notably underperforming when predicting point-set-game multi-level matches. To deal with this challenge, this paper proposes TM2, a TCDformer-based Momentum Transfer Model for long-term sports prediction, which encompasses a momentum encoding module and a prediction module based on momentum transfer. TM2 initially encodes momentum in large-scale unstructured time series using the local linear scaling approximation (LLSA) module. Then it decomposes the reconstructed time series with momentum transfer into trend and seasonal components. The final prediction results are derived from the additive combination of a multilayer perceptron (MLP) for predicting trend components and wavelet attention mechanisms for seasonal components. Comprehensive experimental results show that on the 2023 Wimbledon men’s tournament datasets, TM2 significantly surpasses existing sports prediction models in terms of performance, reducing MSE by 61.64% and MAE by 63.64%.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی دقیق ورزش یک مهارت مهم برای مربیان حرفه ای است که می تواند در تدوین استراتژی های آموزشی مؤثر و تاکتیک های رقابت علمی کمک کند.روشهای سنتی غالباً از تکنیک های آماری ریاضی پیچیده برای تقویت پیش بینی استفاده می کنند ، اما این اغلب توسط مقیاس مجموعه داده ها محدود است و در انجام پیش بینی های بلند مدت با توزیع متغیر ، به ویژه در هنگام پیش بینی مسابقات چند سطحی بازی ، کم تحرک است.برای مقابله با این چالش ، این مقاله TM2 را پیشنهاد می کند ، یک مدل انتقال حرکت مبتنی بر TCDFormer برای پیش بینی ورزشی طولانی مدت ، که شامل یک ماژول رمزگذاری حرکت و یک ماژول پیش بینی بر اساس انتقال حرکت است.TM2 در ابتدا با استفاده از ماژول تقریب مقیاس خطی محلی (LLSA) ، در سری های زمانی بدون ساختار در مقیاس بزرگ رمزگذاری می کند.سپس سری زمانی بازسازی شده را با انتقال حرکت به قطعات روند و فصلی تجزیه می کند.نتایج پیش بینی نهایی از ترکیب افزودنی یک Perceptron چند لایه (MLP) برای پیش بینی اجزای روند و مکانیسم های توجه موجک برای اجزای فصلی حاصل می شود.نتایج جامع تجربی نشان می دهد که در مجموعه داده های مسابقات مردان ویمبلدون 2023 ، TM2 به طور قابل توجهی از مدل های پیش بینی ورزشی موجود از نظر عملکرد پیشی می گیرد و MSE را 61.64 ٪ و MAE با 63.64 ٪ کاهش می دهد.