| 01 | Lanisek, A. | ![]() |
141.0 | |
| 02 | Nikaido, R. | ![]() |
136.4 | |
| 03 | Prevc, D. | ![]() |
128.0 | |
| 04 | Zografski, V. | ![]() |
125.4 | |
| 05 | Kobayashi, R. | ![]() |
122.7 | |
| Ganzes Ergebnis » | ||||
Nach den Stationen in Lillehammer, Falun und Ruka ist der Skisprung-Weltcup am Wochenende in Polen zu Gast.
Anze Lanisek führt den Weltcup an, Stefan Kraft wird wegen der Geburt seines ersten Kindes - wie bereits in Ruka - auf den Start verzichten, und wir versuchen uns wieder an einer Ergebnis-Vorhersage mit Hilfe von Künstlicher Intelligenz.
Das Training und die Qualifikation wird, wie immer, mit berücksichtigt, das Ranking bzw. die Prozente können sich also nach der Quali noch ändern.
Skispringen trifft auf künstliche Intelligenz.
Den Ausgang eines Skisprung-Weltcups vorherzusagen ist extrem schwer. Unzählige Faktoren beeinflussen das Endergebnis eines Wettkampfes: Form des Athleten, der Wind und zahlreiche andere Bedingungen im Moment des Sprunges, Zustand des Materials usw.
Wir wollen aber trotzdem wissen, wer gewinnt, bevor es losgeht. Also haben wir die Daten aus unserer Datenbank mit künstlicher Intelligenz verbunden und simulieren so 10.000 Wettkämpfe auf genau dieser einen Schanze mit genau diesem Athleten.
Es wird spannend sein zu sehen, wie genau (oder wie falsch) das System dabei liegt.
Die KI-gestützte Prognose analysiert mehrere Faktoren, um die Gewinnchancen jedes Springers vorherzusagen:
Das System führt 10.000 Monte-Carlo-Simulationen durch, um realistische Wahrscheinlichkeiten für Siege, Podestplätze (Top 3), Top 6 und Top 10 zu berechnen. Die Volatilität der Simulationen berücksichtigt die Unvorhersehbarkeit des Skispringens.
Monte-Carlo-Methode: Bei jeder Simulation wird jedem Springer ein zufälliger Wert (normalverteiltes Rauschen) hinzugefügt, um verschiedene Szenarien zu simulieren – ähnlich wie bei echten Wettkämpfen, bei denen Form, Wind, Bedingungen und Tagesform variieren. Nach 10.000 Durchläufen erhalten wir statistische Wahrscheinlichkeiten für jede Platzierung. Je höher die Prozentzahl, desto konsistenter schneidet der Springer in den Simulationen ab.