QPass: 基于技术评估足球传球
本文研究了如何基于足球比赛的时空数据使用计算几何的方法构造预测变量并从带标签的样本中学习分类函数,进而生产一个自动化系统来评估球员之间的传球质量。实验结果表明,我们可以使用计算几何的方式获得相对较高的分类准确率,并且这些变量对于学习到的分类器是有一定的重要性的。最后,我们还验证了机器分类器与人类观察者之间的分类一致性程度相近。
Jul, 2014
本文介绍了一种基于 Dynamic Time Warping 的方法,通过分析事件的重复序列来揭示球队的战术,并基于整个赛季的分析得出了保持球权的传球策略或反击,以及以团队为重点或以个人球员的能力为重点的传球风格等见解。
Aug, 2015
本文提出了一种计算模型,利用进攻球员的方向和对手的空间配置来计算在同一团队的玩家之间的传球事件的可行性,结果表明通过引入方向作为可行性度量,可以构建一个强健的计算模型,并结合预期控球价值指标,有望改善现有模型,从而更好地帮助教练和分析员了解比赛,提高球员的决策过程。
Apr, 2020
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
估计足球运动员技能是体育分析中的一个关键任务。本文介绍了对广泛使用的期望控球价值模型进行多次扩展,以解决选择问题等关键挑战。首先,我们赋予射门前紧密发生的事件比其之前发生的事件更大的权重(衰减效应)。其次,我们的模型通过考虑衰减效应和有效比赛时间更准确地融入控球风险评估。第三,我们整合了个体球员在空中和地面的交锋中胜利的能力评估。使用扩展的期望控球价值模型,我们预测了即将到来赛季各种足球运动员的这一度量,特别考虑了对手的实力。
Jun, 2024
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
本文介绍 PlayeRank,一个基于数据驱动的框架,可提供多维度、角色感知的足球运动员表现评估,通过与其他算法和专业球探的评估比较,表明 PlayeRank 在表现评估方面显著优于竞争对手,同时探讨了该框架的一些应用,展示了其灵活性和效率,值得用于设计一个可扩展的足球分析平台。
Feb, 2018
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
介绍了描述足球比赛中个人动作的新语言以及一个考虑动作对比赛结果影响及其上下文的框架,通过聚合足球运动员的动作价值,可以量化他们对球队的进攻和防守贡献,并且通过在欧洲顶级比赛中的侦察和游戏风格表征来展示了如何考虑相关的上下文信息。
Feb, 2018