通过体验背景和布朗运动进行羽毛球选手的离线仿真行为

研究探讨了代理人预测系统，以提高决策制定能力。

羽毛球是一项复杂的回合制运动，需要战术发展和决策。

深度学习在羽毛球战术预测中表现出良好性能，得益于有效的球员交互推理。

现有的解释器无法处理回合制和多输出的归因问题。

提出了一种基于Shapley值变体的羽毛球回合制特征归因方法——ShuttleSHAP。

ShuttleSHAP是一个模型无关的解释器，量化时间和球员的贡献。

分析工具与基准数据集上的回合制预测模型结合，揭示过去击球推理的无关性。

传统顺序模型对预测有更大影响，而球员风格影响未来模拟比赛。

研究还进行了因果分析，并展示了方法的实用性。