本專題中，主要使用OpenPose^[16]、TracknetV2^[13]、Canny^[6]、HoughLine^[3]、透視轉換^[9]……等方法對影片中的人物、羽球、場地進行偵測，並生成初始資料。接著，使用Arima^[12]、軌跡平滑^[14]、KNN去對資料進行修正。並用修正後的資料產生新變數，去預測擊球方、擊球點、球路及得分方，預測擊球方時，使用了六種模型，分別是XGBoost、SVM(支援向量機)、Perceptron(感知器) 、Decision Tree(決策樹)、Logistic Regression(邏輯斯回歸)、Random Decision Forests(隨機森林)，並用多數決決定預測結果，預測出的準確率高達95%，使用多模型預測不僅讓結果更加準確，也讓其可信度更高。

  擊球點的預測，主要是建立在擊球方的基礎上，去分隔擊球的時間段，再使用羽球的角度變化量去預測其打擊點，讓每個擊球時間段都有一個打擊點。但因為資料具有偵測誤差，雖有進行校正，但吻合度仍不可能達到百分百，故偵測出的擊球點會有大約±5的誤差。因此在這個區塊很難定義其準確度，故我們並沒有在這個項目計算準確度，僅是確保每個擊球時間段都具有擊球點，且和原數據的誤差不要大於±5。

  球路預測是在本專題中最為複雜的一部分，我們為其新增許多變數，也嘗試過許多模型，因為某些類型之間的差異微不足道，很難明確劃分它們，雖然僅有幾個種類的準確度很低，也因為該種類的資料筆數少，所以可能需要在判斷時給予更多條件和變數，或是增加資料筆數，才有機會藉此提高其準確率。

  最後，是整局最重要的得分方，在判斷得分方時，僅用肉眼就可以輕鬆的判斷出誰得分，但使用模型去判斷時，卻有重重因素導致其判斷上有誤差，像是在最後落地時剛好被選手或其他物品遮住時，便沒有辦法偵測其路徑，這種情況就只能將其刪除。我們也將可以偵測到的球，用其路徑分為兩類情況處理，最後其總準確率高達92%。

  在製作本專題時，使用很多不同的方式去偵測資料，產出許多變數和使用不同的模型去進行預測，希望可以提高其準確率。在各項目上，預測出的效果除了球路準確率有點差強人意，擊球點無法進行預測外，其餘準確率都很高。而我們也將預測出的資料和原本的影片進行結合輸出，達成想要讓大家用另一個視角去觀看羽球競賽這個目標。