A machine learning framework for quantifying in-game space-control efficiency in football
A machine learning framework for quantifying in-game space-control efficiency in football
复制标题
用于量化足球比赛中空间控制效率的机器学习框架
DOI：
10.1016/j.knosys.2023.111123
复制
发表时间：
2024
影响因子：
8.8
通讯作者：
Gu C
中科院分区：
文献类型：
--
作者：
Gu C
足球比赛中球员跟踪和事件数据的分析被教练组用来评估球队表现并为战术决策提供信息，而使用机器学习方法从数据中获得有用的见解仍然是一个开放的研究问题。我们的研究目的是发现足球队的空间控制效率使用一种新的机器学习方法和评估球队的表现的基础上，其空间控制效率。我们通过深度生成机器学习开发了一种新的占有评估模型，以利用跟踪和事件数据预测足球队的空间控制能力。开发的模型是用来量化的进攻和防守的效率为一个给定的序列发挥。性能分析结果表明，这种空间控制效率量化的新方法是客观和准确的。该模型的上级性能归因于对图像数据集的深度生成建模的利用以及在预测中使用上下文因素的调节。这项研究提出了一种新的足球分析方法，用于评估球队的表现，并为教练提供战术见解，以做出数据知情的调整。
Analysis of player tracking and event data in football matches is used by the coaching staff to evaluate team performance and to inform tactical decision-making, whereas using Machine Learning methods to gain useful insights from the data is still an open research question. The objective of our research is to discover the football team's space-control efficiency using a novel Machine Learning approach and evaluate the team performance based on its space-control efficiency. We develop a novel Possession Evaluation Model through deep generative machine learning to predict the football team's space-control capability utilising tracking and event data. The developed model is used to quantify the efficiency of attacking and defending for a given sequence of play. Performance analysis results demonstrate that this novel method of space-control efficiency quantification is objective and precise. The superior performance of the model is attributed to the utilization of deep generative modelling on image datasets and conditioning in the prediction with contextual factors. This study presents a novel approach to football analysis in evaluating team performance and providing tactical insights for the coach to make data-informed adjustments.
登录
查看更多内容
基于物理的足球传球概率建模
DOI：
--
发表时间：
2017
期刊：
影响因子：
--
作者：
W. Spearman;A. Basye;G. Dick;Ryan Hotovy;Paul Pop Hudl
通讯作者：
Paul Pop Hudl
广阔的开放空间：衡量职业足球空间创造的统计技术
DOI：
--
发表时间：
2018
期刊：
影响因子：
--
作者：
Javier Fernández;L. Bornn;Simon Fraser
通讯作者：
Simon Fraser
影响因子：
3.4
作者：
Stein, Manuel;Seebacher, Daniel;Janetzko, Halldor
通讯作者：
Janetzko, Halldor
影响因子：
8
作者：
Gu, Jiuxiang;Wang, Zhenhua;Chen, Tsuhan
通讯作者：
Chen, Tsuhan
分解不可估量的运动：深度学习足球预期控球价值框架
DOI：
--
发表时间：
2019
期刊：
影响因子：
--
作者：
Javier Fernández
通讯作者：
Javier Fernández