PuckZone：基于机器学习的NHL冰球比赛预测系统

一个使用Python、scikit-learn和Supabase构建的NHL冰球比赛结果预测模型，涵盖常规赛和季后赛，包含51-55个特征的综合特征工程管道。

• 原作者/维护者：justin-m-5
• 来源平台：GitHub
• 原始标题：my-puckzone-model
• 原始链接：https://github.com/justin-m-5/my-puckzone-model
• 发布时间：2026-06-07

PuckZone是一个专为NHL（北美职业冰球联赛）设计的机器学习预测系统，能够预测常规赛和季后赛的比赛结果。该项目基于2017-18至2025-26赛季的历史比赛数据，通过综合特征工程管道构建预测模型。

项目采用现代化的数据架构设计。比赛数据通过NHL官方API获取，并存储在Supabase数据库中。数据摄取由配套的my-puckzone-ingest项目负责，确保数据的实时性和完整性。这种架构设计使得模型能够处理跨越八个赛季的庞大数据集，同时保持数据的一致性和可追溯性。

项目的核心创新在于其统一的特征工程管道（pipeline.py），这是整个系统的单一入口点。该管道消除了训练-服务偏差（train/serve skew），确保训练环境和生产环境使用完全相同的特征计算逻辑。

特征管道包含以下关键模块：

• 比赛数据加载：加载常规赛和季后赛的已完成比赛
• 球队排名快照：每日球队排名统计
• 守门员表现：基于最近10场比赛的滚动扑救率
• 球队效率统计：包括多打少成功率（PP%）、争球成功率、射门次数等
• Elo评分系统：逐场比赛更新的Elo评分
• 高级统计：Corsi、预期进球（xG）、高危机会占比等
• 球员统计：用于预测球员得分的滚动统计数据
• 射门事件：射门事件和xG特征构建
• 季后赛背景：系列赛胜负和种子排名信息

项目包含六个独立的预测模型，每个针对特定的预测任务：

模型	预测目标	特征数量	训练数据
win_model.pkl	主/客场获胜概率	51	2017-25赛季常规赛
playoff_model.pkl	季后赛获胜概率	55	2018-25赛季季后赛
score_model.pkl	主/客场得分	51	2017-25赛季常规赛
playoff_score_model.pkl	季后赛得分	51	2018-25赛季季后赛
player_model.pkl	球员是否得分	-	2017-25赛季球员数据
xg_model.pkl	射门是否进球	-	2017-25赛季所有射门事件

项目采用可注入的DataContext设计，允许在单元测试中使用内存数据，无需连接真实的Supabase数据库。这种设计大大提高了代码的可测试性：

from features.pipeline import DataContext, build_feature_row

ctx = DataContext(
    games=my_games_df,
    standings=my_standings_df,
    goalie_df=my_goalie_df,
    # ... 其他数据框
)
row = build_feature_row(home_id, away_id, game_date, ctx)

项目实现了滚动原点回测框架（walk-forward backtest），每个赛季作为独立的测试折，使用所有之前赛季的数据进行训练。这种方法比单一赛季留出法更能评估模型的真实泛化能力。回测报告包括对数损失、Brier分数、ROC AUC和校准度等指标。