战队状态
近期表现会随时间衰减，同时区分稳定进步与短期连胜。
方法地图
九个问题，读懂一条预测
01 / 方法概览
预测从整理事实开始，而不是从猜比分开始
一场比赛进入模型前，首先要确定“谁在什么条件下与谁比赛”。队伍名称、赛事阶段、版本、选边与系列赛长度只要有一项错位，后续计算即使精确也没有意义。
-
01
采集
汇集赛果、对局统计、阵容、版本、赛程与公开市场快照，并保留记录对应的时间。
-
02
清洗
统一队伍和选手名称，识别重复比赛、异常时长、缺失字段以及赛事阶段错配。
-
03
建模
在时间衰减和对手强度修正后，估计单局表现，再按赛制推演系列赛结果。
-
04
发布
同时展示胜率、可能比分、主要变量与更新时间，不只给出孤立的胜负标签。
-
05
触发更新
阵容、版本、赛程、选边或新赛果改变输入条件时，重新计算相关预测。
-
06
赛后复核
比较预测分布与实际结果，检查偏差来自数据、假设还是不可重复的临场事件。
02 / 数据来源
不同来源承担不同角色
数据并不是放进同一个表格就拥有相同可信度。模型将“已经发生的事实”“对比赛过程的描述”“外部市场预期”和“需要人工确认的变化”分开处理，避免用热度替代赛果，也避免把传闻直接写成阵容事实。
来源层级
主要用途
进入模型前的处理
事实层
赛事赛果与赛程记录
主要用途
确定胜负、比分、赛事阶段、对阵顺序与比赛条件，是结果层的基础。
进入模型前的处理
核对队伍映射、比赛版本、系列赛编号和记录完整性。
表现层
公开对局统计
主要用途
描述经济、资源、节奏、地图控制和比赛时长等过程表现。
进入模型前的处理
统一统计口径，处理异常局、缺失值，并结合对手强度校准。
情境层
阵容与赛前信息
主要用途
识别首发调整、角色变化、版本切换和选边等上下文。
进入模型前的处理
按确认时间入库；尚未确定的信息不作为稳定输入。
参照层
市场数据快照
主要用途
观察外部预期、价格方向和临近开赛时的信息变化。
进入模型前的处理
转换隐含概率，识别水位结构与时间延迟，和赛事表现分开保存。
03 / 核心指标
在数据分析中查看指标语境
指标没有永久固定的权重
同一项数据在不同阶段可能表达不同含义。资格赛的长期状态、版本刚切换时的适应速度，以及淘汰赛Bo5中的阵容深度，不应被一套静态权重机械相加。
模型更关心指标之间是否互相支持：强势赛果若只来自较弱对手，或资源领先无法转化为结束比赛，结论就需要收缩。
对手强度
相同胜负面对不同对手并不等价，需要校正赛程质量。
资源效率
观察经济、地图资源与推进成果之间的转换，而非只累计总量。
版本适应
比较英雄优先级、战术节奏和资源选择是否适应当前环境。
选边影响
结合地图与队伍偏好评估蓝红方差异，不将其视为固定加成。
阵容稳定性
角色连续性、临时替换与新组合样本会影响估计范围。
04 / 赛制处理
单局优势不等于系列赛比分
赛制决定优势如何被放大或抵消。预测先估计不同条件下的单局关系，再通过系列赛结构组合结果；因此Bo3、Bo5与特定选人规则需要分别处理。
短系列赛更容易放大开局信息
较少的对局意味着单局失误影响更大，首局策略和即时调整会更快改变系列赛路径。
更长的纠错空间考验阵容储备
连续适应、英雄池覆盖和战术切换的重要性上升，比分分布通常比单一胜负更有解释力。
可用组合会随对局推进而变化
模型不能假定每局都从同一英雄池重新开始，需要考虑此前选择对后续阵容空间的影响。
选择权是一项条件，而非固定胜率
首选权和选边必须与版本优先级、队伍偏好及系列赛规则一起解释，不能独立套用统一加成。
05 / 概率与比分
四种数字，回答四个不同问题
“更可能获胜”不等于“最可能横扫”，冠军概率也不是把单场胜率原样复制。读预测时，应先辨认数字描述的对象与时间范围。
胜率
回答谁更可能赢下当前比赛或系列赛。双方差距越小，单一胜负结论越不稳定。
置信区间
表达估计受样本量、数据质量与模型差异影响的范围，而不是额外的一次预测。
比分分布
把系列赛拆成多条可能路径。最常见比分只是分布峰值，并不代表比分保证发生。
冠军概率
综合潜在对手、赛程路径与后续轮次形成，会随着签表和淘汰结果持续变化。
市场数据处理示意
价格不是概率的终点
1
转换：把不同格式的市场价格转换到可比较的隐含概率表达。
2
校正：识别市场整体水位，使两侧数字不被直接误读为纯粹胜率。
3
对时：比较同一时间窗口的数据，避免用早盘价格解释已经发生的新信息。
4
分离：市场信号与赛事表现分别保存，只有在明确的模型环节中才进行比较。
06 / 赔率处理
赔率反映市场状态，不是官方结果
市场价格可能吸收阵容消息与群体预期，也可能受到流动性、更新时间和数据源差异影响。模型可以把它当作外部参照，但不会因为短时波动就覆盖比赛表现。
当模型概率与市场隐含概率分歧较大时，合理的动作不是立即宣布哪一方“正确”，而是回查时间戳、阵容状态、版本信息和样本构成。分歧本身是需要解释的信号。
查看赔率中心的数据表达
07 / 更新规则
什么变化会触发重新计算？
更新不是简单刷新页面。只有当输入条件变化，或原始记录被修正时，相关模型结果才需要重新生成；每次输出都应与当时可用的信息对应。
阵容确认或人员变化
首发、位置或替补情况改变后，重新评估阵容连续性与可用历史样本。
最高优先
比赛版本或关键规则变化
统计窗口需切换到更接近当前环境的数据，并扩大不确定性表达。
条件重置
新赛果与新对局统计入库
近期状态、对手强度链和资源效率会随新增比赛逐步更新。
持续更新
赛程、对手或选边调整
重新构建系列赛路径；若对阵对象变化，旧胜率不能直接沿用。
对阵重算
原始数据纠错
先修正事实层，再追溯受影响的指标、文章结论与概率输出。
追溯复核
08 / 模型限制
模型最容易在哪些地方失去把握？
透明的方法不仅要说明使用了什么，也要说明哪些信息无法稳定量化。以下情况不会让预测自动失效，但会扩大误差，并降低具体比分结论的可靠程度。
有效样本过少
新阵容、跨赛区首次对阵或长期缺赛会让历史数据难以代表当前实力。模型可借助相近环境，但不能凭空补足真实比赛。
临场信息不可见
训练赛状态、身体情况、内部战术和赛中沟通通常无法完整观察，公开数据只能描述其结果，不能恢复全部原因。
版本突变
大范围机制或英雄优先级变化会削弱旧样本的解释力。此时更依赖适应方向，而非长期均值。
统计口径与缺失值
不同记录对资源、时点或异常重赛的定义可能不同。强行拼接会制造虚假的精确度。
赛中偶发事件
一级团、关键抢夺或短时间决策可能改变整局路径，但很难作为可重复能力稳定外推。
对手与路径依赖
冠军概率受到签表和潜在对手影响。即使队伍实力估计不变，晋级路径改变也会使概率变化。
把概率当作信息压缩，而不是结果承诺
预测适合用于比较对阵条件、识别关键变量和理解不同结果的相对可能性；实际比赛仍会保留无法消除的不确定性。
09 / 常见问题
关于预测方法的几个关键疑问
如果一项预测无法说明对应的比赛条件、更新时间与概率含义，就不应只凭一个醒目的数字理解它。
不代表。概率描述的是在当前数据、模型假设和已知赛前信息下，各种结果的相对可能性。即使某一方拥有更高胜率，临场决策、阵容变化、版本理解和小样本波动仍可能改变实际赛果。
预测不是固定标签。阵容确认、比赛版本、选边信息、近期赛果、赛程调整以及市场数据变化，都可能触发重新计算。页面应以最近一次更新时间对应的输入条件为准。
不会。市场数据只是用于观察外部预期与价格变化的辅助信号。处理时会先转换为隐含概率，并关注水位结构、时间差与异常波动；它不会替代赛事数据，也不会被视为官方赛果。
不宜直接比较。系列赛长度会改变强队纠错空间、阵容储备要求与单局偶然性的影响。模型会先估计单局层面的对阵关系，再结合赛制和选边条件形成系列赛结果分布。
当新阵容、跨赛区对阵或版本切换造成有效样本不足时，结论会降低确定性，更强调概率区间与关键变量，而不是给出过度明确的比分判断。缺失数据不会被自动当作中性表现。
建议先核对页面标注的比赛版本、更新时间与统计口径。纠错复核会优先检查原始记录、赛事阶段、队伍名称映射和重复数据；确认后，受影响的统计与预测需要重新计算，而不是只修改页面文字。