Aplicação de ARIMA e redes neurais artificiais na análise estatística e previsão de resultados de partidas de futebol da Premier League Inglesa 2021-2022
DOI:
https://doi.org/10.14488/1676-1901.v25i3.4965Palavras-chave:
Previsão de resultados de futebol, ARIMA, Redes Neurais Artificiais, Premier League InglesaResumo
A utilização de dados estatísticos e a criação de ferramentas de previsão e análise de resultados se apresentam constantemente como parte da realidade encontrada no meio esportivo. No futebol, tais ferramentas vêm sendo tratadas como um modo de adquirir vantagens competitivas, tanto para clubes, quanto para apostadores. Com intuito de obter um eficiente modelo de previsão para partidas de futebol, o estudo buscou realizar o prognóstico de resultados da Premier League Inglesa disputada na temporada 2021-2022. Foram coletados dados correspondentes a 70% dos jogos realizados dentro do campeonato em questão e, a partir deles, foi proposta a aplicação e a comparação do modelo Auto Regressivo Integrado de Média Móvel (ARIMA), com o uso de Redes Neurais Artificiais (RNA). Em sua predição, o método ARIMA forneceu um conjunto completo das estatísticas dos confrontos, incluindo o número de gols das equipes em cada partida, alcançando 54,39% de acerto dos vencedores e prevendo 14,04% dos placares com exatidão. O modelo composto por RNA, por sua vez, previu por meio de um código de programação na linguagem Python somente os vencedores dos confrontos. Desse modo, obteve-se uma maior acurácia, de 72,81%, visualizada por meio da geração de uma matriz de confusão.
Downloads
Referências
ANDREWS, S Kevin et al. Analysis on Sports Data Match Result Prediction Using Machine Learning Libraries. Journal Of Physics: Conference Series, [S.L.], v. 1964, n. 4, p. 1-9, 1 jul. 2021. IOP Publishing. http://dx.doi.org/10.1088/1742-6596/1964/4/042085. Disponível em: https://iopscience.iop.org/article/10.1088/1742-6596/1964/4/042085/meta. Acesso em: 26 ago. 2022.
BABOOTA, Rahul; KAUR, Harleen. Predictive analysis and modelling football results using machine learning approach for English Premier League. International Journal Of Forecasting, [S.L.], v. 35, n. 2, p. 741-755, abr. 2019. Elsevier BV. http://dx.doi.org/10.1016/j.ijforecast.2018.01.003. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S0169207018300116?via%3Dihub. Acesso em: 21 ago. 2022
BERRAR, Daniel; LOPES, Philippe; DUBITZKY, Werner. Incorporating domain knowledge in machine learning for soccer outcome prediction. Machine Learning, [S.L.], v. 108, n. 1, p. 97-126, 7 ago. 2018. Springer Science and Business Media LLC. http://dx.doi.org/10.1007/s10994-018-5747-8. Disponível em: https://link.springer.com/article/10.1007/s10994-018-5747-8. Acesso em: 30 set. 2022.
BUNKER, Rory P.; THABTAH, Fadi. A machine learning framework for sport result prediction. Applied Computing And Informatics, [S.L.], v. 15, n. 1, p. 27-33, jan. 2019. Emerald. http://dx.doi.org/10.1016/j.aci.2017.09.005. Disponível em: https://www.sciencedirect.com/science/article/pii/S2210832717301485. Acesso em: 13 ago. 2022.
BUTLER, David; BUTLER, Robert; EAKINS, John. Expert performance and crowd wisdom: Evidence from English Premier League predictions. European Journal Of Operational Research, [S.L.], v. 288, n. 1, p. 170-182, jan. 2021. Elsevier BV. http://dx.doi.org/10.1016/j.ejor.2020.05.034. Disponível em: https://www.sciencedirect.com/science/article/pii/S037722172030480X?via%3Dihub. Acesso em: 03 set. 2022.
CASIMIRO, María Pilar González. Análisis de series temporales: Modelos ARIMA. Bizkaia: Universidad del País Vasco, 2009. 165 p. Disponível em: https://addi.ehu.es/handle/10810/12492. Acesso em: 08 out. 2022.
HAYKIN, Simon. Neural networks: a comprehensive foundation. 3rd. ed. Upper Saddle River: Prentice Hall, 2009. 938p. Disponível em: https://dai.fmph.uniba.sk/courses/NN/haykin.neural-networks.3ed.2009.pdf. Acesso em: 22 set. 2024.
KOOPMAN, Siem Jan; LIT, Rutger. Forecasting football match results in national league competitions using score-driven time series models. International Journal Of Forecasting, [S.L.], v. 35, n. 2, p. 797-809, abr. 2019. Elsevier BV. http://dx.doi.org/10.1016/j.ijforecast.2018.10.011. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S0169207018302048?via%3Dihub. Acesso em: 22 ago. 2022.
LAHVICKA, Jiri. Using Monte Carlo simulation to calculate match importance: the case of English Premier League. Munich Personal Repec Archive, Munich, p. 1-20, 01 set. 2012. Disponível em: https://mpra.ub.uni-muenchen.de/40998/. Acesso em: 21 ago. 2022.
LASEK, Jan; GAGOLEWSKI, Marek. Interpretable sports team rating models based on the gradient descent algorithm. International Journal Of Forecasting, [S.L.], v. 37, n. 3, p. 1061-1071, jul. 2021. Elsevier BV. http://dx.doi.org/10.1016/j.ijforecast.2020.11.008. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S0169207020301849. Acesso em: 10 set. 2022.
MEN, Yanhua. Intelligent sports prediction analysis system based on improved Gaussian fuzzy algorithm. Alexandria Engineering Journal, [S.L.], v. 61, n. 7, p. 5351-5359, jul. 2022. Elsevier BV. http://dx.doi.org/10.1016/j.aej.2021.08.084. Disponível em: https://www.sciencedirect.com/science/article/pii/S1110016821006001. Acesso em: 26 ago. 2022.
PEREIRA, Roberto Augusto Lazzarotto. Modelagem matemática para previsão esportiva: uma aplicação no futebol nacional. 2018. 46 f. TCC (Graduação) - Curso de Licenciatura em Ciências Exatas Com Habilitação em Matemática, Universidade Federal do Paraná, Pontal do Paraná, 2018. Disponível em: https://acervodigital.ufpr.br/handle/1884/60661. Acesso em: 17 set. 2022.
SANTOS, Tatiana Fernanda Mousquer dos. Aplicação de séries temporais e redes neurais em um ambiente de computação em nuvem. 2014. 92 f. Dissertação (Mestrado) - Curso de Mestrado do Programa de Pós-Graduação em Engenharia de Produção, Centro de Tecnologia, Universidade Federal de Santa Maria, Santa Maria, 2014. Disponível em: https://repositorio.ufsm.br/handle/1/8316. Acesso em: 04 nov. 2022.
XAVIER, Thainá Santos. Previsão de séries temporais utilizando modelos clássicos e redes neurais artificiais. 2018. 46 f. TCC (Graduação) - Curso de Bacharel em Ciências no Domínio da Engenharia Elétrica, Centro de Engenharia Elétrica e Informática – Ceei, Universidade Federal de Campina Grande – UFCG, Campina Grande, 2018. Disponível em: http://dspace.sti.ufcg.edu.br:8080/xmlui/handle/riufcg/18949. Acesso em: 08 out. 2022.
YIANNAKIS, Andrew et al. Forecasting in Sport. International Review For The Sociology Of Sport, [S.L.], v. 41, n. 1, p. 89-115, mar. 2006. SAGE Publications. http://dx.doi.org/10.1177/1012690206063508. Disponível em: https://journals.sagepub.com/doi/abs/10.1177/1012690206063508. Acesso em: 09 out. 2022.
ZUCCO, Luiz Henrique. Implementação da previsão de demanda por meio de modelos matemáticos clássicos e de inteligência artificial na gestão de estoque de uma empresa importadora de componentes automotivos da linha pesada. 2019. 55 f. TCC (Graduação) - Curso de Engenharia de Produção, Universidade de Caxias do Sul, Caxias do Sul, 2019.
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Revista Produção Online

Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
A Revista se reserva no direito de efetuar, no artigo publicado, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua, respeitando, porém, o estilo dos autores.
A obra publicada é de inteira responsabilidade do(s) autor(es), cabendo à Revista Produção Online apenas a avaliação da obra, na qualidade de veículo de publicação científica. A Revista Produção Online não se responsabiliza por eventuais violações à Lei nº 9.610/1998, Lei de Direito Autoral.
A revista Produção Online permite que o autor detenha o copyright dos artigos aceitos para publicação, sem restrições.
Esta obra está licenciada sob uma Licença Creative Commons.
