用模糊逻辑与情境指数改进Duckworth–Lewis–Stern模型以在板球比赛中修订目标

为何雨水与夜露会改变一场板球比赛

球迷常抱怨雨天规则和深夜的露水会不公平地影响有限局数板球比赛。当比赛被缩短时，会使用Duckworth–Lewis–Stern（DLS）方法为追赶方重新设定目标，但该方法仅考虑剩余球数和已失球数。本文提出一个许多观众与球员早已直觉到的问题：目标计算是否也应考虑球队实力、球场表现以及外场是否因露水而湿滑？作者提出了一种更灵活的新方法来解决这一点。

现行雨天规则如何“看待”比赛

标准的DLS方法假定一支球队的得分能力由两个数字决定：剩余的局数和已失的门票数（失球数）。由此构建一条平滑曲线，描述仍可用的“击球资源”比例。在受雨影响的比赛中，目标与平分数（par score）通过比较双方所用资源来简单计算。这一方法足够好，已成为世界标准，但它有一个盲点：如果两局的剩余局数和失球数相同，它就把它们视为相同，尽管一方可能拥有世界级击球手并在平整场地上击球，而另一方则在灯光下面对摆动的球。

将情境因素纳入视野

为弥补这一空白，作者构建了可捕捉球队实力与比赛条件的数值化指数，简单且具有可解释性。击球质量指数（Batting Quality Index）把击球平均分、得分率与排名融合为0到1之间的单一数值，0.5大致表示“平均”。投球威胁指数（Bowling Threat Index）对投球方做同样处理，使用失分率、每球夺取的门票数、平均分与排名，较强的进攻得分更高。他们还考虑剩余的强力开局（Powerplay）局数、对击球或投球有利的场地状况，以及天气是干燥、毛毛雨还是重露。对场地与天气的描述采用模糊逻辑：不以僵化的“好”或“坏”划分，而是用诸如“坚硬”“潮湿”“磨损”等重叠的等级来描述，然后将其融合为单一的场地或天气评分。

随条件弯曲的灵活曲线

基于这些输入，作者设计了两种相关的数学工具。首先，他们提出了一种广义的对数-指数（logistic–exponential）曲线，在条件平均时可紧密模拟熟悉的DLS资源曲线，但当击球更强、投球更具威胁、场地更平坦或出现露水时，会稍微向上或向下弯曲。其次，他们将该思想嵌入完整的模糊逻辑系统，采用听起来像真实板球话语的语言规则——例如“如果击球强且场地平坦且有露水，则资源非常高”——并将其转化为精确的数值调整。在示例中，模型在对投手有利的环境下温和地将平分数上调，在对追赶有利的条件下下调，同时在一切中性时又回到经典DLS形状。

露水真的有助于追赶吗？

除了建模之外，论文还检验了100场在印度进行的一日国际赛，以验证一种广泛相信的看法：冬季露水让追赶更容易。将比赛分为冬季与非常冬季月份后，作者发现第二局击球的球队在冬季比赛中获胜率为56.5%，而在非常冬季比赛中仅为37.0%。冬季追赶时的获胜概率大约是非常冬季的两倍多，尽管样本量略小，使得结果未能达到严格的统计显著性。不过，这一模式与模型设计中使用的模糊输入相吻合：球更滑、外场更快，以及第二局击球手的条件更温和。

这对更公平目标的意义

总体而言，Fuzzy-DLS模型表现得像对标准雨天规则的增强且具情境感知的版本。在30个示例案例中，其资源估计与官方DLS值平均仅相差约1.5个百分点，平分数的变化也仅略高于两分——是微小且平滑的调整，而非剧烈改动。然而，这些调整基于球员、评论员与球迷已在讨论的信息：阵容实力、场地状况以及露水或降雨的存在。对非专业读者而言，关键结论是：可以在保持熟悉DLS框架的同时，使其对比赛的真实感觉更为敏感，从而可能产生在数学上严谨且直观上更公平的目标修订。

引用: Samanta, S., Allahviranloo, T., Mrsic, L. et al. Duckworth–Lewis–Stern modeling with fuzzy logic and contextual indices for target revision in cricket. Sci Rep 16, 10630 (2026). https://doi.org/10.1038/s41598-026-44750-8

关键词: 板球分析, 受雨影响的比赛, 目标修订, 模糊逻辑, Duckworth-Lewis-Stern