Footlab AI 是如何计算足球预测的？
Footlab AI 会为每场比赛估算两队各自的预期进球数，再用双变量泊松模型推算出每种结果的概率。这个预期进球数综合了六项信息：两队的近期实力（根据各自最近 40 场比赛测量，半年前的比赛权重只有近期比赛的一半）、按联赛锚定的全球 Elo 排名、预计首发阵容、已确认的缺阵、主场优势，以及比赛背景（例如次回合、休息天数）。如果这场比赛已有公开赔率，显示的胜平负概率会把这一估计与市场共识结合起来，预期进球也会随之重新校准，与之保持一致。模型本身在主要联赛和欧战中从未见过的比赛上测试（2026年7月16日），有 53.9% 的比赛判断出了正确结果，而在三种结果之间随机猜测只有 33.3%；把模型与赔率结合起来的实际预测卡片，则与博彩公司处于同一水平。
模型版本：2026-10。最近一次功能更新为2026年10月5日：采用所谓的“幂次法”去除赔率中博彩公司的利润率，不再低估大热门；开球前不久会再采集一次赔率。上一次更新为2026年9月25日：预期进球、比分和衍生预测项按公布的胜平负概率重新校准。参照回测：2026年7月16日，25,424 场比赛。
模型对一场比赛到底输出什么？
模型输出三种结果（主胜、平局、客胜）各自的概率、最可能的比分，以及在同一个比分矩阵上计算出的几项衍生预测的概率。
- 胜平负概率，按构造三者之和为 100%。
- 最可能的准确比分，从每队最多 8 球的比分矩阵中读出。
- 总进球数超过 2.5 球的概率，以及双方都有进球的概率。
- 半场结束前有进球的概率，依据上半场进球占全部进球 44% 这一经验比例进行校准。
为什么胜平负概率要参考市场赔率？
因为事实证明这样最准确。在 19,583 场有赔率的各类赛事比赛中（2026年10月5日测量），模型本身有 50.5% 的比赛判断正确，博彩公司看好的一方为 52.8%。两者结合后与市场打成平手（52.7%，在 98.5% 的比赛中与博彩公司看好的一方判断相同），而且校准程度明显优于模型本身（Brier 分数 0.583，模型本身为 0.602）。所以 Footlab AI 并没有胜过博彩公司，而是与它们看齐：完整的对比，包括下注的回报率，都公布在准确率页面上。
- 胜平负赔率来自各家博彩公司，由我们的数据供应商汇总：第一次大约在赛前一天采集，第二次在开球前 90 到 10 分钟之间采集（预测卡片使用最新一次的数据），然后取平均值，并用所谓的“幂次法”去除博彩公司的利润率。这种方法主要从冷门一方去除利润率，因为博彩公司正是把利润率放在那里，所以大热门不再被低估（在 19,583 场比赛中，按旧方法被判定为 85% 的热门实际胜率为 92%；按新方法被判定为 87% 的热门，实际胜率为 88%）。
- 赔率在显示概率中的权重为 85% 到 95%，取决于模型的把握程度：模型犹豫时为 95%。没有任何规则强制预测卡片采用博彩公司看好的胜者：当模型与博彩公司意见不一致时（18% 的比赛），由这一加权组合独立决定；模型足够有把握时，会保留自己判断的胜者。
- 随后，预期进球、准确比分、进球概率和半场概率都会重新校准，使其与这一胜平负概率完全吻合。基于 16,630 场比赛的测量：准确比分和半场结果都预测得更准，没有任何一项衍生预测变差。
- 如果没有公开赔率（比赛时间尚远，或赛事不在赔率覆盖范围内），则采用模型本身的预测。赔率本身从不显示。
如何衡量一支球队的实力？
球队实力根据最近 40 场比赛估算，每过 180 天，一场比赛的权重就减半，并根据所遇对手的水平和所在赛事的平均水平进行修正。
- 进球和失球数据与预期进球混合使用，预期进球占 80%（数据供应商提供官方 xG 时使用官方 xG，否则根据射正次数估算，每次射正折合 0.3192 个进球，这一系数基于 270,000 场比赛测得）。
- 近期比赛较少的球队会被拉回所在赛事的平均水平（以 5 场比赛为正则化基准），而不是凭三场比赛就显示出极端的实力。
从不交手的两支球队如何比较？
每个国家的联赛都是一个近乎封闭的池，内部比赛的胜负相互抵消：如果不加修正，中超最强的俱乐部和韩国 K 联赛最强的俱乐部会得到相同的 Elo。因此，Footlab AI 在俱乐部 Elo 之上增加了一个联赛池锚点，只通过跨池比赛来更新。
- 一家俱乐部的全球评分 = 俱乐部 Elo + 所在联赛的锚点。
- 联赛锚点只在欧战等洲际俱乐部赛事和跨国比赛中变动，系数为 24：这是整个项目中测得的单项最大提升。
- 女子俱乐部和青年队有各自独立的池：它们的成绩不会影响男子联赛的锚点。
- 在排名更新中，主场优势相当于 60 个 Elo 分。
模型会考虑首发阵容吗？
会：自2026年8月9日起，Footlab AI 在每场比赛前都会通过网络核实预计首发，并根据公布的首发十一人、他们的经验以及球员的个人评分来修正预测。
- 媒体确认的首发优先于根据近期轮换推断出的首发。
- 首发阵容的经验和球员的比赛评分，会先换算到各自联赛的尺度上再进行比较：同样是 7.2 分，在不同联赛的含金量并不相同。
- 已确认的缺阵（伤病、停赛）会降低相关球队的预期进攻实力。
为什么不同联赛球队之间的比赛要单独处理？
因为国内联赛的状态几乎无法迁移：回测显示，在跨联赛比赛中，它只保留 10% 的权重。这是整个项目付出代价最大的一课，并被原样写进了模型。
- 在跨池比赛中，国内联赛的近期状态被衰减到通常权重的 10%。
- 作为补偿，全球 Elo 差距的权重几乎是联赛内比赛的三倍，因为联赛池锚定让这一差距真正具备了可比性。
- 这一类比赛的准确率会单独、持续地测量，依据是预测日志中的 cross_pool 字段。
模型数据多久更新一次？
比赛进行中比分按分钟跟踪，积分榜每小时重新计算，伤病和 Elo 排名每天重新同步。
- 开球之前，预测会持续重新计算；最后提供的版本就是被记录和评估的版本。
- 最早在开球三小时后，才会把真实赛果与预测进行比对。
- 延期或取消的比赛永远不会被算作错误：十四天后，它会在没有赛果的情况下关闭。
模型有哪些参数？
下面九个参数对预测的影响最大。每个参数都先在回测中扫描不同取值来确定，再在模型从未见过的后续样本上得到确认。
| 参数 | 取值 | 作用 |
|---|---|---|
| 状态半衰期 | 180 天 | 半年前的比赛，权重只有近期比赛的一半。 |
| 正则化 | 5 场比赛 | 观测较少的球队会被拉回所在赛事的平均水平。 |
| 预期进球权重 | 0.8 | 实力估算 80% 基于预期进球，20% 基于实际进球。 |
| 联赛池锚定系数 | 24 | 整个联赛在全球排名中上升或下降的速度。 |
| 主场优势（Elo） | 60 分 | 排名更新中给予主队的加分。 |
| 跨联赛衰减 | 0.1 | 国内联赛状态在本联赛以外只保留 10% 的权重。 |
| 总进球衰减 | 0.8 | 修正在极端的“超过 2.5 球”概率上测得的过度自信。 |
| 上半场进球占比 | 0.44 | 半场概率计算的基础。 |
| 市场在胜平负中的权重 | 0.85 到 0.95 | 有公开赔率时，赔率共识在显示概率中所占的份额。永远不会是 1：模型始终保有权重。 |
模型不做什么？
这份清单与上一份同样重要。它包含两类内容：Footlab AI 出于原则不做的事，以及已经实现、测量、被判定无用、然后在代码中设为零的因素。
- 不显示赔率，没有推广链接，不推荐任何博彩运营商。公开赔率只作为胜平负计算的输入（见上文）：Footlab AI 从不展示赔率，也不把用户引向任何博彩公司。
- 不使用天气数据。温度、降雨和风力都不参与计算。
- 不估计球队的战意或宣称的比赛重要性。“无关紧要的比赛”惩罚项曾经实现，并在 0.05 到 0.2 之间测试：所有权重下都被否决，设为零。
- 裁判对赛果和进球没有影响。指派的裁判只参与红黄牌数量的概率计算，而且只在赛前已知时才会使用，约占比赛的 3%：其余比赛中，这一项只根据两支球队计算。
- 没有单独的门将因素，也没有单独的防守球员缺阵因素。两者都在2026年7月测试过：前者使结果单调变差，后者与噪声无法区分。两者都设为零。
- 除两场比赛之间的休息天数外，不考虑赛程密集的影响。测试过，没有提升。
- 不按联赛修正平局率。测试过，只会让结果变差：平局多的联赛就是进球少的联赛，而赛事平均值已经包含了这一点。
- 不预测伤病、转会或教练的决定。
基于 Footlab AI 数据的统计分析（在 17,000+ 场比赛上校准的泊松模型，并在有公开赔率时结合其市场共识）。不构成投注建议。
Footlab AI（footlab.ai）是一款独立的软件产品，与室内足球中心加盟品牌 FOOTLAB World 无关，也与 Footy Labs 无关。