使用 QPass 方法对整个赛季的数据分析后，确定每个足球运动员通过其传球带来的内在价值，提出了不同游戏风格的传球轨迹，揭示了一个相当反直觉的范例：失去控球权可能会导致获胜的机会更大。

Aug, 2016

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

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

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

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

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

本文介绍网络科学在足球领域的应用，研究团队的组织和表现方面，网络科学可以解决传统分析无法解决的问题，因为足球比赛是一个整体，不能仅仅分析分析每个球员，需要全局分析。

Jul, 2018

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