基于球权转换和遭受攻击的足球团队防守预测模型评估：一个试点研究

Mar, 2021

基于球权转换和遭受攻击的足球团队防守预测模型评估：一个试点研究

Evaluation of soccer team defense based on prediction models of ball recovery and being attacked: A pilot study

Kosuke Toda, Masakiyo Teranishi, Keisuke Kushiro, Keisuke Fujii

TL;DR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)。

Abstract

With the development of measurement technology, data on the movements of actual games in various sports can be obtained and used for planning and evaluating the tactics and strategy. Defense in team sports is generally difficult to be evaluated because of the lack of statistical data. Conventional evaluation methods based on predictions of scores are conside

team defense player actions positional data ball recovery being attacked

发现论文，激发创造

通过轨迹预测评估足球中为队友创造得分机会的能力

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

深度学习在足球比赛事件数据中价值防守动作的应用

本文通过采用深度学习技术，利用相关比赛数据定义了一种新的度量方式 ——Defensive Action Expected Threat (DAxT) 模型，该模型能够通过研究防守动作前的比赛进攻路径危险度，从而对防守动作进行评估，提高防守球员的价值。我们通过在实际英超联赛中的数据验证，以及与其他特征的结合，得出了防守球员的综合评分。总之，本研究在防守行动的价值评估方面提供了新的方法和技术。

Jun, 2021

足球队传球策略的自动提取

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

利用 GPS 训练数据和机器学习在足球中实现有效的伤病预测

本研究以 GPS 测量和机器学习为基础，提出了一种基于多维度方法的足球受伤预测方法，并以实际案例说明其准确性和可解释性，为评价和解释职业足球中受伤风险和训练表现之间的复杂关系提供了一组简单实用的规则。

May, 2017

利用恢复性和反持久性预测体育比分动态

本研究提出了可解释的生成模型，应用于四个体育联盟十年的得分数据中，成功在团队运动的两个在线预测问题（谁会得下一分和最终谁会赢）中优于基准模型，进一步分析了每种运动背后的得分动态机制，并对团队技能进行了量化评估。

Apr, 2015

行动胜过目标：足球比赛中对球员行动的价值评估

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

基于行动的球权恢复模型的推广：360 度数据

通过创建一个广义动作基于球恢复模型（GABR），本论文试图回答主要关注于球的控制，球回收，球队防守策略以及压迫战术。

Jul, 2023

足球球员技能估计的控制与对抗动作的预期控制价值

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

足球 1 对 1 射门决策的战略框架：机器学习、基于理论建模和博弈论的综合方法

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

成功的压力：足球伤害风险缓解和团队成功的预测模型

本文提出了一种新颖的足球连续球队选择模型，通过对现实世界足球数据中学习到的球员特定信息建模，以模拟球员受伤和不可用性的随机过程。通过对球员受伤概率进行推理，利用蒙特卡洛树搜索 (Monte-Carlo Tree Search) 来选择在整个足球赛季中优化长期团队表现的比赛队伍。我们将我们的方法与 2018/19 英超联赛季的基准解决方案进行验证。我们的模型在减少一线队伤病方面达到了类似的赛季预期积分，并将在受伤球员上浪费的金钱减少了约 11%，从而证明了在现实世界的足球队中降低成本和改善球员福利的潜力。

Feb, 2024