Quantifying and Predicting Momentum in Tennis Match via Machine Learning Approach

Abstract

This study aims to identify and analyze momentum shifts in tennis, developing a data-driven model to quantify and predict these shifts and assess their influence on match outcomes. Using data from 6 tournaments, including 564 matches and over 135,000 points, this study constructed a momentum calculation model integrating 14 weighted match factors such as point progression, server advantage, and player ranking differences. The model incorporates adjustments for set discontinuities and initial momentum based on player rankings to enhance predictive accuracy. Following data processing and validation, a Kappa consistency test was performed on the 2023 Wimbledon Championship data, yielding a high alignment with actual outcomes (Kappa = 0.96). Using a Gradient Boosting Decision Tree (GBDT) regression model, the study achieved a high accuracy in predicting momentum shifts, identifying key variables such as serve advantage and score gaps as primary indicators of performance dynamics. This model further revealed that players' momentum tends to stabilize at critical points, such as 40:30, while fluctuating more at disadvantageous scores. These findings highlight the model's utility for pre-match analysis, enabling detailed insights into opponents' tactical patterns and psychological responses under varying score conditions. Overall, this momentum model provides valuable applications for enhancing player preparation and in-game strategic adjustments, offering coaches and players a quantifiable tool to interpret and influence match outcomes.

El objetivo de este estudio es identificar y analizar los cambios de momentum en el tenis, desarrollando un modelo basado en datos para cuantificar y predecir estos cambios y evaluar su influencia en los resultados de los partidos. A partir de datos de 6 torneos, que incluyen 564 partidos y más de 135 000 puntos, este estudio construyó un modelo de cálculo del momentum que integra 14 factores ponderados del partido, como la progresión de los puntos, la ventaja del servidor y las diferencias en la clasificación de los jugadores. El modelo incorpora ajustes para las discontinuidades de los sets y el momentum inicial basado en la clasificación de los jugadores para mejorar la precisión de la predicción. Tras el procesamiento y la validación de los datos, se realizó una prueba de concordancia Kappa con los datos del Campeonato de Wimbledon de 2023, la cual arrojó una alta coincidencia con los resultados reales (Kappa = 0,96). Utilizando un modelo de regresión con árboles de decisión potenciados por gradiente (GBDT), el estudio logró una alta precisión en la predicción de los cambios de momentum e identificó variables clave como la ventaja en el servicio y las diferencias en el marcador como indicadores principales de la dinámica del rendimiento. Este modelo reveló además que el momentum de los jugadores tiende a estabilizarse en puntos críticos, como el 40:30, mientras que fluctúa más en puntuaciones desfavorables. Estos hallazgos resaltan la utilidad del modelo para el análisis previo al partido, ya que permite obtener información detallada sobre los patrones tácticos y las respuestas psicológicas de los oponentes en condiciones de puntuación variables. En general, este modelo de momentum ofrece aplicaciones valiosas para mejorar la preparación de los jugadores y los ajustes estratégicos durante el partido, proporcionando a los entrenadores y a los jugadores una herramienta cuantificable para interpretar e influir en los resultados de los partidos.