[論文レビュー] A Continuous-time Stochastic Block Model for Basketball Networks

Lü Xin, Mu Zhu+1 more|arXiv (Cornell University)|Jul 4, 2015

Sports Analytics and PerformanceEconomics, Econometrics and Finance参考文献 15被引用数 16

ひとこと要約

本稿では、リアルタイムのトラッキングデータを用いてバスケットボールの試合を動的トランザクショナルネットワークとして表現する連続時間確率的ブロックモデル（CSBM）を提案する。選手の相互作用を非定常連続時間マーケフ連鎖としてモデル化し、プレー様式とパフォーマンスに基づいて選手をクラスタリングする。このモデルはチームのオフェンス戦略を明らかにし、スコアリング、リバウンド、スティールの有効性についてクラスタ固有の推定値を提供することで、従来のボックススコア指標を超えたより客観的かつ効率的な選手評価を可能にする。

ABSTRACT

For professional basketball, finding valuable and suitable players is the key to building a winning team. To deal with such challenges, basketball managers, scouts and coaches are increasingly turning to analytics. Objective evaluation of players and teams has always been the top goal of basketball analytics. Typical statistical analytics mainly focuses on the box score and has developed various metrics. In spite of the more and more advanced methods, metrics built upon box score statistics provide limited information about how players interact with each other. Two players with similar box scores may deliver distinct team plays. Thus professional basketball scouts have to watch real games to evaluate players. Live scouting is effective, but suffers from inefficiency and subjectivity. In this paper, we go beyond the static box score and model basketball games as dynamic networks. The proposed Continuous-time Stochastic Block Model clusters the players according to their playing style and performance. The model provides cluster-specific estimates of the effectiveness of players at scoring, rebounding, stealing, etc, and also captures player interaction patterns within and between clusters. By clustering similar players together, the model can help basketball scouts to narrow down the search space. Moreover, the model is able to reveal the subtle differences in the offensive strategies of different teams. An application to NBA basketball games illustrates the performance of the model.

研究の動機と目的

• バスケットボール分析における伝統的なボックススコア指標の限界を是正し、選手間の相互作用とリアルタイムのプレー動態を捉えること。
• リアルタイムのトラッキングデータを用いて、プレー様式とパフォーマンスに基づくデータ駆動型で客観的な選手クラスタリング手法を開発すること。
• バスケットボールのプレーを非定常連続時間マーケフ連鎖としてモデル化し、時間的ダイナミクスと相互作用パターンを捉えること。
• スカウトやコーチがチーム戦略に適合する選手を的確に特定できるように、チーム間におけるオフェンス戦略の微細な差を明らかにすること。
• スコアリング、リバウンド、スティールといった重要なバスケットボール行動について、クラスタ固有のパフォーマンス推定値を提供すること。

提案手法

• SportVUトラッキングデータを用いて、選手をノード、アクション（パス、シュート、スティールなど）を有向エッジとするトランザクショナルネットワークとしてバスケットボールの試合をモデル化する。
• 各選手のアクション列を、異なるアクションのための時間変動型強度関数を持つ連続時間マーケフ過程として表現する。
• 共有されるアクションパターンとパフォーランス指標に基づいて、選手をKグループにクラスタリングするための確率的ブロックモデル（SBM）フレームワークを適用する。
• 潜在的クラスタ所属とモデルパラメータを推定するため、時間統合強度関数を組み込んだEMアルゴリズムにギブスサンプリングを適用する。
• 遷移レート間の確率制約を満たすために、ラグランジュ緩和と数値的根の探索（Rのunirootを用いて）を組み込む。
• 推定されたレート関数の95％点推定信頼区間を計算するために、デルタ法と観測フィッシャー情報量を用いる。

実験結果

リサーチクエスチョン

• RQ1 ボックススコア統計の静的性を超えて、選手のパフォーマンスとプレー様式をどのように客観的にモデル化できるか？
• RQ2 連続時間マーケフ連鎖は、バスケットボールのプレーの動的でリアルタイムの性質をどの程度捉えることができるか？
• RQ3 相互作用パターンとアクション列に基づく選手のクラスタリングは、チーム間におけるオフェンス戦略の有意義な差を明らかにできるか？
• RQ4 スコアリング、リバウンド、スティールの有効性に関するクラスタ固有の推定値は、従来の指標と比べてどのように異なるか？
• RQ5 信頼区間によって示されるように、推定されたアクションレート関数はノイズに対して頑健であるか？

主な発見

• CSBMは、プレー様式とパフォーマンスに基づいて選手を明確に分類することができ、スカウトが選手の検索範囲を的確に絞り込むのに効果的である。
• モデルは、特にパスやシュートのタイミングと頻度に関して、チーム間で顕著なオフェンス戦略の差を明らかにした。
• スコアリングやスティールなどのアクションに対するクラスタ固有のレート関数には明確な時間的パターンが見られ、24秒のシュートクロック制限に近づくと観測数が減るため、信頼区間が広がっている。
• ボックススコア指標よりも洗練されたパフォーマンス推定値を提供し、選手が個人の統計を超えてチームプレーにどのように貢献しているかを捉えている。
• 信頼区間の使用により、観測されたアクションパターンがデータノイズの結果である可能性が低いことが確認され、特にプレーの初期および中盤段階で顕著である。
• ギブスサンプリングを組み込んだEMアルゴリズムは信頼性があり、潜在的クラスタ所属と選手クラスタ間の遷移確率の推定を可能にした。