随着2026年国际足联世界杯临近，一项基于机器学习的足球赛事预测研究正式展开。该项目整合了1872年至2026年间近4.9万场国际比赛数据，涵盖球队Elo积分、实时比分及赛事场地背景。研究团队通过文本清洗技术统一历史球队名称，并严格遵循时间序避免数据泄露，选取赛前最新积分与评分更新间隔期构建核心特征集。 针对足球比赛得分低频与平局高发的特性，研究重点优化了平局预测模块。团队引入平局趋势、近期攻防数据及主客场环境变量，并对比基线算法、多项逻辑回归与LightGBM模型。经网格搜索与时间序列验证，LightGBM以最低对数损失值被选为最终架构。 测试结果显示，模型整体概率校准良好，置信度与实际命中率高度吻合。Elo分差仍是主导赛果的首要特征。但模型在平局识别上存在显著短板，测试集平局召回率仅0.11%，且系统性高估主胜概率。数据表明，算法虽能感知实力均衡带来的平局风险，却难以在决策层赋予其最高权重。该研究证实，机器学习可有效量化球队竞技状态，但在处理低进球体育项目时仍遇瓶颈。后续迭代将聚焦专用平局预测架构，以提升赛事预测模型的实用性与商业分析价值。