Нейросетевая система прогнозирования результатов сезона итальянской футбольной лиги "Серия А"

Бутина Д.; Л. Н. Ясницкий

doi:10.17072/1993-0550-2023-1-84-92

Публикации

?

Нейросетевая система прогнозирования результатов сезона итальянской футбольной лиги "Серия А"

Вестник Пермского университета. Серия: Математика. Механика. Информатика. 2023. № 1(60). С. 84–92.

Бутина Д., Ясницкий Л. Н.

В статье представлено описание разработки нейросетевой системы для прогнозирования результатов сезона итальянской футбольной лиги "Серия А". Для подбора изначального множества были использованы тематические сайты, содержащие полную статистику по необходимым характеристикам. Система основана на стоимостных характеристиках, имеет 12 входных параметров и 1 выходной параметр. Средняя ошибка тестирования этой системы составила 3 %. Система позволяет выполнять оценку выступления футбольной команды в сезоне в рамках ранжирования от 1 до 5 позиции, где 1 – это 1–4 места и выход в Лигу чемпионов, а 5 – команда покидает лигу. Выявлены значимости входных параметров. Исследовано влияние входных параметров на результат

Научное направление: Компьютерные науки Прочие социальные науки

Язык: русский

Полный текст

DOI

Текст на другом сайте

Ключевые слова: forecasting нейронная сеть прогноз football футбол sport СПОРТ Artipcial neural network

Synthesis of Acyclic Models for Processes Without Repeating Events

Joulitov A.K., Lomazova I.A., Proceedings of the Institute for System Programming of the RAS 2026 Vol. 38 No. 4(2) P. 215–224

В майнинге процессов (process mining) графы непосредственного следования (Directly-Follows Graph, DFG) популярны благодаря своей простоте и наглядности. Однако, если процесс является ациклическим, но содержит параллельные события, стандартные алгоритмы построения DFG-моделей могут генерировать «ложные» циклы, которыe не представлены в журнале событий. Такие циклы мешают анализу информационных процессов, значительно снижая интерпретируемость и точность (precision) модели. Эта проблема ...

Добавлено: 24 сентября 2026 г.

Анализ протокола выработки общего ключа для управления микросхемой интеллектуальной карты

Добрина Д. Н., Нестеренко А. Ю., Прикладная дискретная математика. Приложение 2026 № 19 С. 151–159

Работа содержит результаты формального анализа криптографических механизмов, входящих в состав проекта методических рекомендаций «Защищенный универсальный протокол передачи данных и управления микросхемой интеллектуальной карты» (протокол SECUNDA). Получена формальная модель и перечень трудноразрешимых математических задач, трудоёмкостью решения которых можно оценить стойкость используемых криптографических механизмов. ...

Добавлено: 24 сентября 2026 г.

Discovering object-centric Petri nets with parametric arcs

I.I. Sergeev, I.A. Lomazova, Modeling and Analysis of Information Systems 2026 Vol. 33 No. 3 P. 394–419

Объектно-ориентированный process mining сформировался как эффективная парадигма анализа событийных данных, включающих несколько взаимодействующих бизнес-объектов. Существующие методы обнаружения моделей часто опираются на объектно-ориентированные сети Петри с фиксированными кратностями дуг, что ограничивает их способность представлять параметрические закономерности потребления и производства ресурсов, а также отражать количественные зависимости между взаимодействующими типами объектов. В данной работе предлагается метод обнаружения объектно-ориентированных ...

Добавлено: 24 сентября 2026 г.

Hybrid Graph Retrieval-Augmented Language Agents for Collaborative Recommendation

Ivan Bulychev, Савченко А. В., AI 2026 Vol. 7 No. 9 Article 380

Добавлено: 24 сентября 2026 г.

Определение эффективности обнаружения DNS-туннелей при помощи нейронной сети в системе обнаружения вторжений

Маринин Н. Д., Гетьман А. И., В кн.: Труды Института системного программирования РАНЧ. 2. Т. 38. Вып. 4.: ИСП РАН, 2026.

Аннотация. В работе рассматривается метод обнаружения туннелей, реализованных с помощьюпротокола DNS в сетевом трафике при помощи нейронной сети. Для этого был произведен анализактуальных методов. Подготовлен набор данных для обучения нейронной сети. Предложенная модельиспользует на входе последовательность символов, извлеченная из DNS ответа. Обученная модельпоказала F1-меру близкую к единице. Для проверки работоспособности доработаны модули системыобнаружения вторжений с ...

Добавлено: 23 сентября 2026 г.

Risks and the image of the future in the study of AI technologies prospects

Снегирев А. Ю., Сычев С. В., Futures 2026 Vol. 183 P. 1–22

Добавлено: 23 сентября 2026 г.

Choosing Between AI Responses: How Valence, Arousal, and Dominance Shape User Preference

Паршаков П. А., Паклина С. Н., International Journal of Human-Computer Interaction 2026 P. 1–17

Добавлено: 23 сентября 2026 г.

A Two-Stage Deep Reinforcement Learning Framework for Radio Resource Management and Network Slicing in 5G Heterogeneous Networks

Андраби У. М., Wadood E., Ojha S. K. и др., IEEE Access 2026 Vol. 14 P. 103358–103375

Добавлено: 23 сентября 2026 г.

LLM-assisted writing and citation advantage: evidence from scientific publications before and after ChatGPT release

Паклина С. Н., Паршаков П. А., Elena Rapoport, Scientometrics 2026 P. 1–26

Добавлено: 23 сентября 2026 г.

Label-Free Quantification in the Crux Toolkit

Кертес-Фаркаш А., Аквей Ф. Л., Journal of Proteome Research 2026 Vol. 25 P. 3764–3768

Добавлено: 23 сентября 2026 г.

Risk Assessment Models for Heated Tobacco Products

Maddalena L., Yildiz B., Del Vecchio Blanco F. и др., Risk Analysis 2026 Vol. 46 No. 4 P. 1–26

Добавлено: 22 сентября 2026 г.

Segmentation of the Iris and Pupil of the Human Eye in Images from an Infrared Camera

Aleksei Samarin, Alexander Savelev, Aleksei Toropov и др., Pattern Recognition and Image Analysis 2024 Vol. 34 No. 3 P. 855–862