Deep Learning and Transfer Learning Architectures for English Premier League Player Performance Forecasting

本文提出了一种开创性的模型，使用卷积神经网络（CNN）来预测英格兰足球超级联赛（EPL）球员的表现。我们在预测基于历史FPL数据的未来球员FPL得分的任务上，评估了岭回归（Ridge regression）、LightGBM和CNN。我们的基线模型，岭回归和LightGBM，取得了可靠的表现，并强调了预测EPL球员表现中最近FPL得分、影响力、创造力、威胁和上场时间的重要性。我们的最优CNN架构通过较少的输入特征实现了更好的性能，甚至超过了文献中最好的先前EPL球员表现预测模型。最优CNN架构还与球员排名实现了非常强的斯皮尔曼相关性，表明它对支持FPL人工智能（AI）代理的开发和为FPL经理提供分析具有强烈的影响。我们还对从《卫报》收集的足球新闻数据进行了转移学习实验，以预测未来球员得分，但在自然语言新闻文本中没有发现强的预测信号，与CNN和基线模型相比表现更差。总的来说，我们基于CNN的方法标志着EPL球员表现预测的重大进展，并为转移学习到其他EPL预测任务（如体育博彩的胜负赔率和最先进的FPL AI代理的开发）奠定了基础。

本论文旨在使用卷积神经网络（CNN）预测英超联赛球员的表现，并比较其与传统模型的性能。

本论文的关键思路是使用CNN来预测球员表现，并发现其性能优于传统模型，为开发FPL人工智能代理和提供FPL管理分析奠定基础。

论文使用了Ridge回归、LightGBM和CNN模型进行实验，并发现最优CNN架构在输入特征更少的情况下实现了更好的性能，并且强调了最近的FPL得分、影响力、创造力、威胁和上场时间在预测EPL球员表现方面的重要性。此外，论文还进行了转移学习实验，但未在自然语言新闻文本中发现强的预测信号。该论文的研究成果为其他EPL预测任务如体育博彩胜负几率和FPL AI代理的开发奠定了基础。

在这个领域中，最近的相关研究包括：《基于深度学习的足球比赛结果预测》、《使用LSTM的足球比赛结果预测》、《基于卷积神经网络的足球比赛结果预测》等。