基于进球期望、攻防强度与历史统计，构建科学的比分预测模型。无论你是分析师还是球迷，都能在这里找到可落地的公式与思路。
P(比分) = (λ¹e⁻λ/1!)*(μ²e⁻μ/2!) 计算主客进球概率。
随机森林 + 历史特征，预测准确率提升至62%+。
融合市场赔率与公式，输出校准后胜平负概率。
假设进球相互独立，主队进球 λ = 主场进攻强度 × 客场防守强度 × 联赛场均。客队 μ 同理。
比分概率 = P(主= i) * P(客= j) 。常用 λ, μ 来自 xG 期望。
针对0-0,1-0等低比分相关性进行修正，增加低比分拟合度。
ρ 参数控制低比分关联，通常为 -0.1~-0.2。
利用历史比分作为先验，赛季中不断更新攻防参数。
结合 Dirichlet 先验，适合少量比赛轮次。
将射门位置、角度转化为 xG，累加得期望进球。
再通过泊松或负二项分布映射到最可能比分。
通过联赛数据计算 进攻实力 (Att) 与 防守实力 (Def)，公式：λ = Att_home * Def_away * avg_league。
迭代更新，赛季初使用上赛季权重。
基于泊松生成1万场虚拟比赛，统计比分频率。公式结合随机抽样，输出最可能比分及概率。
模拟精度 ±1.2%
λ=2.3, μ=1.5 → 最可能比分 2-1 (概率11.2%)，1-1 (9.8%)
公式: 泊松+修正
防守强强对话，λ=1.1, μ=0.8 → 1-0 (13.5%)，0-0 (12.1%)
贝叶斯先验更新
λ=3.4, μ=0.6 → 3-0 (8.7%)，4-0 (6.5%)，3-1 (7.1%)
xG 累加基本适合，但低进球联赛（意甲、法甲）需修正零膨胀。采用 Dixon-Coles 或负二项分布更优。
通过最近5-10场主客表现，结合联赛平均。也可利用 xG 数据代替实际进球，提高稳定性。
通常提升3-8个百分点，但需要大量特征（控球率、射正、伤病）。泊松仍是可解释性强的基线。
使用排名概率分数 (RPS) 或对数损失。比较预测分布与实际结果的差距。
公式提供概率参考，但需结合赔率与市场偏差。凯利公式可辅助仓位管理。
从1970年代简单的进球平均法，到如今基于深度学习的序列模型（LSTM），比分预测公式经历了数次迭代。经典的足球比分公式仍然以泊松分布为核心，结合攻防参数、主客场优势、近期状态及伤病影响。对于大数据分析师，还会加入天气、裁判、赛程密度等特征。无论哪种公式，核心都是量化进球期望，再映射到具体比分。
我们推荐的思路：基础泊松 + xG校准 + 贝叶斯更新，平衡准确度与可解释性。适合竞彩分析、球迷研究。