足球队传球策略的自动提取
本文展示运用网络理论工具分析足球队策略的方法。使用 2010 年世界杯足球赛的传球数据,我们构建了一个加权有向网络,以球员为节点,以传球为箭头。通过不同中心性指标,我们可以确定每个球员在比赛中的相对重要性,球员的‘流行程度’,以及去除球员时的影响。
Jun, 2012
本研究提出了一种可从整体绩效与攻守两方面评估团队防守的方法,通过预测球员行为和所有球员和球位置数据来预测更频繁发生的球恢复和被进攻行为,并使用 45 场足球比赛数据检验了相关指数与实际比赛和整个赛季的团队表现之间的关系。与基于罕见事件或进球的现有分类器相比,本研究所提出的分类器可以更好地预测真实事件 (平均 F1 分数> 0.483),同时与赛季的长期结果也有适度的相关性 (r = 0.397)。
Mar, 2021
利用图变分循环神经网络对足球比赛中球员的轨迹进行预测,并对球员在没有球的情况下对进球做出贡献的能力进行评估,结果显示提出的指标与球员的年薪相关性显著,表明该方法可以有效评估球员在没有球的情况下为队友创造进球机会的能力。
Jun, 2022
该研究提出了一种基于传球网络量化足球队动机特征的方法,并且引入了 “流动动机” 的概念来表征统计显著的传球序列模式,通过对传球网络中动机的分析,我们能够比较和区分不同球队的风格,尽管大多数球队倾向于采用相同的风格,但惊人的是,存在一种独特的足球策略,拥有精确,精心构建的结构,例如巴塞罗那足球俱乐部著名的蒂基塔卡。
Sep, 2014
使用机器学习和博弈论方法,提出了一种分析射门情况的新框架,并引入了期望收益和 xSOT 指标来评估选手的行动表现,从而实现了不同射门的区分和比较。通过与基准模型和消融模型的比较,验证了该框架的可行性,并观察到 xSOT 指标与现有指标之间的高度相关性。最后,通过在 2022 年世界杯和 2020 年欧洲杯中的射门情况进行研究,阐明了最优策略的应用。
Jul, 2023
使用深度神经网络和随机森林模型,研究了 Soccer Simulation 2D 游戏中足球 2D 球员的传球行为,并验证了该方法对提高传球预测性能的有效性。
Jan, 2024
本文总结了最近光学跟踪的方法,并提供了传统和深度学习方法的综合分类法。同时,还讨论了跟踪数据的预处理步骤、该领域中最常见的挑战以及跟踪数据在运动队中的应用。最后,通过对成本和限制的比较,突出了可能的未来研究方向。
Apr, 2022
该研究提出了一种能够预测传球潜在终点位置及传球前球员移动如何影响最终结果的新型深度学习网络结构,并通过分析超过 28,000 次传球事件,实现了超过 0.7 的 Top-1 准确率。基于预测结果,可以更好地理解场地控制和传球选择,以衡量球员的无球移动对防守表现的贡献,并为足球分析师提供更好的工具和指标,以理解球员随时间的移动如何影响比赛策略和最终胜利。
Sep, 2023
该论文提出了一种基于 Set Transformer 和层次结构的推理框架,用于通过球员轨迹推断足球的轨迹,实现了自然且准确的轨迹预测,并提出了几种实用的应用包括缺失轨迹计算与自动放映。
Jun, 2023