[論文レビュー] Predicting Tennis Serve directions with Machine Learning

Ying Zhu, Ruthuparna Naikar|arXiv (Cornell University)|Feb 26, 2026

Sports Analytics and Performance被引用数 0

ひとこと要約

著者らは Match Charting Project データを用いてプロ選手のファーストサーブの方向（左右各側に3方向）を予測する機械学習モデルを構築し、男性選手で約49%、女性選手で約44%の精度を達成した。文脈的特徴に基づく評価。

ABSTRACT

Serves, especially first serves, are very important in professional tennis. Servers choose their serve directions strategically to maximize their winning chances while trying to be unpredictable. On the other hand, returners try to predict serve directions to make good returns. The mind game between servers and returners is an important part of decision-making in professional tennis matches. To help understand the players' serve decisions, we have developed a machine learning method for predicting professional tennis players' first serve directions. Through feature engineering, our method achieves an average prediction accuracy of around 49\% for male players and 44\% for female players. Our analysis provides some evidence that top professional players use a mixed-strategy model in serving decisions and that fatigue might be a factor in choosing serve directions. Our analysis also suggests that contextual information is perhaps more important for returners' anticipatory reactions than previously thought.

研究の動機と目的

• プロ選手のファーストサーブ方向選択に影響を与える要因を理解する。
• サーブ方向アウトカムに対する機械学習モデルの予測精度を評価する。
• 文脈情報、疲労、不安がサーブ方向の決定を説明するかを調査する。
• 意思決定に光を当てる特徴量重要度を探り、サーブ時の判断を洞察する。

提案手法

• Match Charting Project のファーストサーブ方向データをラベルとして真実データとして使用する。
• ポイントごとのデータから、前サーブの回数、サーブ成功率、疲労指標、パフォーマンス不安指標などの特徴量を設計する。
• 選手ごとに60/40 の訓練-テスト分割で複数モデルを訓練する（Multinomial Logistic Regression、Decision Tree、Random Forest、SVM、Neural Network）。
• デュースサイドとアドサイド、男性・女性で別々に性能を評価する。
• Decision Tree 分析による特徴量の重要度を特定し、サーブ方向の意思決定を解釈する。

実験結果

リサーチクエスチョン

• RQ1 文脈特徴だけで個々の選手のファーストサーブ方向を機械学習で予測できるか。
• RQ2 三方向ずつをサイドに持つ場合、選手と性別ごとの予測精度はどうなるか。
• RQ3 どの特徴量がサーブ方向の選択に最も影響を与えるか（例：前回の回数、疲労、不安）？
• RQ4 混合戦略の存在とサーブ決定における疲労の役割を示す結果は得られるか。

主な発見

Model	Deuce (Men) LR	Deuce (Men) RF	Deuce (Men) DT	Deuce (Men) SVM	Deuce (Men) NN	Mean (Men)
Table 1	0.47	0.50	0.46	0.49	0.50	0.49
	Novak Djokovic	0.47	0.50	0.45	0.46	0.47	0.47
	Roger Federer	0.46	0.49	0.44	0.47	0.47	0.47
	Nick Kyrgios	0.55	0.52	0.50	0.55	0.54	0.53
	Daniil Medvedev	0.45	0.49	0.48	0.47	0.46	0.47
	Andy Murray	0.56	0.53	0.58	0.52	0.54	0.55
	Rafael Nadal	0.52	0.50	0.43	0.52	0.52	0.50
	Dominic Thiem	0.55	0.47	0.43	0.55	0.55	0.51
	Stefanos Tsitsipas	0.49	0.48	0.46	0.47	0.47	0.47
	Stan Wawrinka	0.46	0.49	0.45	0.45	0.48	0.46
	Alexander Zverev	0.46	0.42	0.42	0.47	0.46	0.44
Mean	0.50	0.49	0.46	0.49	0.50	0.49

• デュースサイドでは男性選手の平均予測精度は約49%、アドサイドでは約50%。
• デュースサイドでは女性選手の平均予測精度は約44%、アドサイドでは約45%。
• 特定の選手に対しては、複数の ML 手法で予測精度が一貫しており、結果の頑健性を示す。
• 特徴量重要度分析では、各方向へのファーストサーブの累積回数、現在のポイント前のランIndex、ファーストサーブ成功率が影響力が大きいことを示す。
• トップ選手が混合戦略を用いる可能性と疲労がサーブ方向の選択に影響を与える可能性を裏付ける。
• 文脈情報だけでもリターン側の予測反応に合理的な予測を生成できる。