利用半场数据调整预测的Python案例
核心思想
利用半场数据调整全场预测的核心逻辑是：半场数据能反映比赛的实时状态（节奏、攻防效率、体能、战术执行），从而修正赛前基于历史数据的静态预测。
下面用一个足球比赛预测的完整案例来说明。
案例场景
预测一场足球比赛的全场总进球数，赛前模型给出预测,中场休息时根据半场数据动态调整。
完整代码实现
import numpy as np
import pandas as pd
from scipy.stats import poisson
# ============ 1. 赛前预测模型 ============
class MatchPredictor:
def __init__(self, home_attack, home_defense, away_attack, away_defense):
"""
基于历史数据的主客场攻防强度（相对联赛平均）
"""
self.home_attack = home_attack # 主队进攻强度
self.home_defense = home_defense # 主队防守强度（越小越好）
self.away_attack = away_attack
self.away_defense = away_defense
self.league_avg_goals = 1.35 # 联赛场均单队进球
def pre_match_lambda(self):
"""赛前计算主客队预期进球数 λ"""
lambda_home = self.home_attack * self.away_defense * self.league_avg_goals
lambda_away = self.away_attack * self.home_defense * self.league_avg_goals
return lambda_home, lambda_away
def pre_match_total_goals_prob(self, max_goals=8):
"""赛前总进球数分布"""
lh, la = self.pre_match_lambda()
total_lambda = lh + la # 简化：总进球近似泊松
return {k: poisson.pmf(k, total_lambda) for k in range(max_goals)}
# ============ 2. 半场数据驱动的动态调整 ============
class HalftimeAdjuster:
def __init__(self, pre_lambda_home, pre_lambda_away):
self.pre_lh = pre_lambda_home
self.pre_la = pre_lambda_away
def adjust(self, ht_stats):
"""
ht_stats: 半场统计数据字典
- goals_home, goals_away: 半场比分
- shots_home, shots_away: 射门数
- xg_home, xg_away: 半场预期进球
- possession_home: 控球率
- minutes: 已进行分钟数（默认45）
"""
minutes = ht_stats.get('minutes', 45)
remaining = (90 - minutes) / 90.0 # 剩余时间比例
# ---- 策略A：基于半场xG重新估算全场强度 ----
# 半场xG按时间放大到全场，再与赛前λ做加权融合
xg_home_full = ht_stats['xg_home'] * (90 / minutes)
xg_away_full = ht_stats['xg_away'] * (90 / minutes)
# 权重：半场样本小，给赛前更多信任；但半场信息新鲜，也需体现
# 用时间进度作为动态权重（越往后，半场数据权重越大）
w_ht = minutes / 90.0 # 半场0.5，60分钟0.67，75分钟0.83
w_pre = 1 - w_ht
lambda_home_adj = w_pre * self.pre_lh + w_ht * xg_home_full
lambda_away_adj = w_pre * self.pre_la + w_ht * xg_away_full
# ---- 策略B：射门效率修正（可选）----
# 若射门多但xG低 → 说明远射多/低质量；若射门少但xG高 → 高效
shots_home = ht_stats.get('shots_home', 0)
shots_away = ht_stats.get('shots_away', 0)
if shots_home > 0:
conversion_home = ht_stats['xg_home'] / shots_home
else:
conversion_home = 0.1 # 默认
# ---- 策略C：控球率影响节奏 ----
possession_home = ht_stats.get('possession_home', 0.5)
# 控球率极端（>65% 或 <35%）通常预示持续压制或反击
tempo_factor = 1 + 0.3 * abs(possession_home - 0.5) # 节奏修正
lambda_home_adj *= tempo_factor if possession_home > 0.5 else 1.0
lambda_away_adj *= tempo_factor if possession_home < 0.5 else 1.0
# 按剩余时间缩放（关键！）
lambda_home_rem = lambda_home_adj * remaining
lambda_away_rem = lambda_away_adj * remaining
return {
'lambda_home_adj': lambda_home_adj,
'lambda_away_adj': lambda_away_adj,
'lambda_home_remaining': lambda_home_rem,
'lambda_away_remaining': lambda_away_rem,
'current_score': (ht_stats['goals_home'], ht_stats['goals_away'])
}
def full_time_total_goals_dist(self, ht_stats, max_goals=10):
"""半场调整后的全场总进球数分布"""
adj = self.adjust(ht_stats)
current = sum(adj['current_score'])
# 剩余进球近似泊松，叠加已进球
lam_rem = adj['lambda_home_remaining'] + adj['lambda_away_remaining']
dist = {}
for k in range(max_goals):
final_total = current + k
if final_total < max_goals:
dist[final_total] = dist.get(final_total, 0) + poisson.pmf(k, lam_rem)
return dist
# ============ 3. 案例演示 ============
if __name__ == '__main__':
# 数据准备：主队强攻，客队防守强
predictor = MatchPredictor(
home_attack=1.3, home_defense=0.9,
away_attack=1.0, away_defense=0.85
)
lh, la = predictor.pre_match_lambda()
print(f"【赛前】主队λ={lh:.2f}, 客队λ={la:.2f}, 总进球期望={lh+la:.2f}")
pre_dist = predictor.pre_match_total_goals_prob()
print("【赛前】总进球概率分布:")
for k, p in pre_dist.items():
print(f" {k}球: {p:.3f}")
# 半场数据（主队完全压制但0-0，xG很高）
ht_stats = {
'goals_home': 0, 'goals_away': 0,
'shots_home': 12, 'shots_away': 2,
'xg_home': 1.4, 'xg_away': 0.2,
'possession_home': 0.68,
'minutes': 45
}
adjuster = HalftimeAdjuster(lh, la)
result = adjuster.adjust(ht_stats)
print("\n【半场调整】")
print(f" 调整后全场λ: 主={result['lambda_home_adj']:.2f}, 客={result['lambda_away_adj']:.2f}")
print(f" 剩余时间λ: 主={result['lambda_home_remaining']:.2f}, 客={result['lambda_away_remaining']:.2f}")
post_dist = adjuster.full_time_total_goals_dist(ht_stats)
print("\n【半场调整后】全场总进球概率分布:")
for k, p in sorted(post_dist.items()):
print(f" {k}球: {p:.3f}")
# 对比关键盘口
print("\n【盘口变化对比】")
for threshold, label in [(2.5, '大2.5球'), (3.5, '大3.5球')]:
pre_over = sum(p for k, p in pre_dist.items() if k > threshold)
post_over = sum(p for k, p in post_dist.items() if k > threshold)
print(f" {label}: 赛前 {pre_over:.1%} → 半场后 {post_over:.1%}")
核心调整逻辑解析
| 模块 | 思路 | 权重/公式 |
|---|---|---|
| xG重估 | 半场xG按时间比例外推到全场 | xg_ht × (90/45) |
| 贝叶斯融合 | 赛前先验 + 半场观测，用时间进度做权重 | w = minutes/90 |
| 节奏修正 | 极端控球率反映攻防态势 | tempo_factor = 1+0.3×|poss-0.5| |
| 剩余时间缩放 | 预测应针对"剩余比赛" | λ_rem = λ_adj × (90-min)/90 |
| 已进球叠加 | 已发生进球是确定项 | total = current + 剩余分布 |
关键注意事项
权重设计是最核心的超参数
- 半场样本只有45分钟，不能完全替代赛前，建议
w_ht ∈ [0.3, 0.5] - 时间越靠后（如75分钟），历史数据价值越低，
w_ht应递增 - 可以用滚动回测优化权重（见下方调参示例）
区分"过程数据"和"结果数据"
- 比分（0-0）是噪声大的结果，xG/射门是更稳定的过程信号
- 强队半场0-0但xG=1.5 → 预测应上调进球预期（回归均值）
不同运动的调整方式不同
| 运动 | 半场关键指标 | 调整方向 |
|---|---|---|
| 足球 | xG、射门、控球 | 剩余时间泊松 |
| 篮球 | 半场得分、节奏（回合数）、命中率 | 节奏驱动的线性外推 |
| 网球 | 半场发球局胜率、制胜分/失误 | 发球局成功率贝叶斯更新 |
避免"小数定律"陷阱
- 单场半场数据波动极大，不要用简单线性外推（如"半场2球→全场4球"）
- 必须与赛前模型融合，且保留不确定性（用分布而非点估计）
篮球场景简版扩展
def adjust_basketball(ht_home, ht_away, pre_total, pace_ht, pace_pre, minutes=24):
"""篮球：半场得分+节奏双因素调整"""
remaining_ratio = (48 - minutes) / 48
# 用节奏变化修正
pace_factor = pace_ht / pace_pre
# 半场得分按剩余时间外推，并与赛前融合
projected_remain = (ht_home + ht_away) * (48/minutes - 1) * pace_factor
# 加权融合
w = 0.6
final_total = w * (ht_home + ht_away + projected_remain) + (1-w) * pre_total
return final_total
建议的调参/验证流程
# 网格搜索最优融合权重
def backtest_weights(historical_matches, weights=np.arange(0.1, 0.7, 0.05)):
best_w, best_score = None, np.inf
for w in weights:
errors = []
for m in historical_matches:
pred = w * m['ht_projection'] + (1-w) * m['pre_prediction']
errors.append((pred - m['actual']) ** 2)
mse = np.mean(errors)
if mse < best_score:
best_w, best_score = w, mse
return best_w, best_score
半场数据调整的本质是 "先验（赛前模型）+ 似然（半场观测）→ 后验（调整预测）" 的贝叶斯更新过程，过程数据（xG、节奏、控球）比结果数据（比分）信息量更大，但都要与赛前模型合理加权融合，并对剩余比赛时间做正确缩放。
