[論文レビュー] Football tracking networks: Beyond event-based connectivity

Javier M. Buldú, David Garrido+5 more|arXiv (Cornell University)|Nov 11, 2020

Complex Network Analysis Techniques参考文献 24被引用数 4

ひとこと要約

本稿では、選手の追跡データを用いて、従来のイベントベースのネットワークを超えた相互作用をモデル化するフットボール追跡ネットワークを紹介する。4つの新しいネットワークタイプ—ボールフロー、マーキング、符号付き近接、機能的協調性ネットワーク—を提案し、実際のラ・リーガデータを用いて、動的なチーム行動を捉える能力を示し、選手の協調行動とチーム構造に関する新たな知見を提供する。

ABSTRACT

We propose using Network Science as a complementary tool to analyze player and team behavior during a football match. Specifically, we introduce four kinds of networks based on different ways of interaction between players. Our approach's main novelty is to use tracking datasets to create football tracking networks, instead of constructing and analyzing the traditional networks based on events. In this way, we are able to capture player interactions that go beyond passes and introduce the concepts of (a) Ball Flow Networks, (b) Marking Networks, (c) Signed Proximity Networks and (d) Functional Coordination Networks. After defining the methodology for creating each kind of network, we show some examples using tracking datasets from four different matches of LaLiga Santander. Finally, we discuss some of the applications, limitations, and further improvements of football tracking networks.

研究の動機と目的

• 離散的なイベントではなく、連続的な追跡データを用いて、サッカーにおける選手間の相互作用を捉えるネットワークベースのモデルを開発すること。
• イベントベースのネットワークには欠ける、一時的またはパス以外の相互作用を捉える限界を解消すること。
• 選手行動とチーム協調の異なる側面を反映する4つの新しいネットワークタイプを導入し、その妥当性を検証すること。
• ネットワーク科学の有効性を、ラ・リーガの実際の試合データを用いた実証的追跡データを用いて、試合の動的なダイナミクスを分析することで示すこと。
• 今後のチーム戦術、選手の役割、戦術的パターンの分析のためのフレームワークを、データ駆動型ネットワークモデルを用いて提供すること。

提案手法

• ボールの位置の軌道を、ボール保持状態と近接性に基づいて選手間の有向相互作用の系列としてモデル化することで、ボールフロー・ネットワークを構築する。
• 空間的閾値を用いて、ディフェンス選手が対戦相手に近接している状態を特定することで、マーキング・ネットワークを構築する。
• ベクトルベースの空間分析を用いて、選手ペアの相対的位置に基づき、協力的または競争的であるかどうかを正負の符号で割り当てる。これにより、符号付き近接性ネットワークを構築する。
• 選手の動きのパターンにおける時間的・空間的同期を、相互相関や類似度指標を用いて測定することで、機能的協調性ネットワークを開発する。
• 標準的なネットワーク科学的手法（例：次数中心性、クラスタリング係数、媒介性）を用いて、各ネットワークタイプの構造的・動的特性を分析する。
• 4試合分のラ・リーガの実際の追跡データセットを用いてモデルを検証し、チーム間および試合フェーズごとのネットワーク特徴を比較する。

実験結果

リサーチクエスチョン

• RQ1 連続的な選手追跡データを、イベントベースのデータを超える意味のある相互作用ネットワークに変換する方法は何か？
• RQ2 ボールフロー、マーキング、符号付き近接、機能的協調性ネットワークが、それぞれどのような選手の相互作用を捉えているか？
• RQ3 チームや試合フェーズごとにネットワーク指標にどのような差が現れ、それらがチーム協調性に何を示唆しているか？
• RQ4 従来のイベントベースのネットワークと比較して、これらのネットワークは戦術的行動の理解をどの程度向上させるか？
• RQ5 追跡データを用いてサッカーのチームダイナミクスをモデル化する際の限界と、今後の改善の余地は何か？

主な発見

• 提案された追跡ネットワークは、パス以外の一時的で非通過的な相互作用、例えばディフェンスのポジショニングや空間的協調性を効果的に捉えており、イベントベースのネットワークでは捉えきれない部分を補完している。
• 機能的協調性ネットワークは、成績が優れたチームと劣るチームとの間で選手の同期性に顕著な差が生じていることを示しており、成績が良いチームで強い協調性が観察された。
• 符号付き近接性ネットワークは、協力的および競争的空間的関係を効果的に捉えており、試合の移行期に顕著なダイナミックな変化を示した。
• ボールフロー・ネットワークは、ボールの動きのパターンがチームのボール保持効率と相関していることを示しており、重要なプレーマーカーの中心性が高かった。
• マーキング・ネットワークは、ディフェンスの構造とトラッキング行動を特定し、センターバックが対戦相手のフォワードを一貫してカバーしている様子を明らかにした。
• 複数のネットワークタイプを統合することで、単一のネットワークタイプよりも、チーム行動の包括的な理解が可能になった。