[論文レビュー] Sensor Analytics in Basketball

Rodolfo Metulini, Marica Manisera+1 more|arXiv (Cornell University)|Jul 4, 2017

Sports Analytics and Performance被引用数 3

ひとこと要約

本論文はGPSで追跡された選手の軌跡を用いてバスケットボールのセンサーデータ分析を実施し、凸包とk-meansクラスタリングを用いてチームのパフォーマンスに関連する動きのパターンを特定した。オフェンスプレーでは、スコアリングの機会を拡大する戦略的展開を示唆するように、防御プレーに比べて選手の間隔が顕著に広がっていることが判明した。

ABSTRACT

A new approach in team sports analysis consists in studying positioning and movements of players during the game in relation to team performance. State of the art tracking systems produce spatio-temporal traces of players that have facilitated a variety of research aimed to extract insights from trajectories. Several methods borrowed from machine learning, network and complex systems, geographic information system, computer vision and statistics have been proposed. After having reviewed the state of the art in those niches of literature aiming to extract useful information to analysts and experts in terms of relation between players' trajectories and team performance, this paper presents preliminary results from analysing trajectories data and sheds light on potential future research in this field of study. In particular, using convex hulls, we find interesting regularities in players' movement patterns.

研究の動機と目的

• バスケットボールにおけるセンサー由来の軌跡を用いて、選手の動きのパターンの規則性を特定すること。
• 空間的配置と動きのダイナミクスをチームのパフォーマンス結果に関連付けること。
• コーチやアナリストが戦術的行動を解釈するのを支援する視覚的・分析的ツールを開発すること。
• 凸包を用いて測定した選手の間隔が、オフェンスとディフェンスのフェーズでどのように異なるかを調査すること。
• 多変量の軌跡データを用いたチームスポーツの今後のデータドリブン分析の基盤を築くこと。

提案手法

• 実際のバスケットボール試合における選手のGPSで追跡された空間的・時間的軌跡を用いる。
• k=8を、間隔内分散比と総分散比に基づいて選定し、選手間距離に基づいて時間インスタンスをクラスタリングするk-meansを適用する。
• 平均選手間距離を保持しながら、2次元空間に選手の位置を可視化するための多次元スケーリング（MDS）を用いる。
• ゲームフェーズを、選手の間隔とチームの配置に関して一貫性のある瞬間として定義する。
• コート上での選手の広がりの幾何的指標として、凸包面積を定義する。
• 凸包面積の時系列分析を実施し、チーム間のオフェンスとディフェンス戦略を比較する。

実験結果

リサーチクエスチョン

• RQ1 バスケットボールにおけるオフェンスとディフェンスのフェーズで、選手の配置パターンはどのように異なるか？
• RQ2 凸包面積で測定した選手の間隔は、チームのパフォーマンスとどの程度相関しているか？
• RQ3 軌跡データのクラスタリングは、明確な戦術的フォーメーションや動きのパターンを特定できるか？
• RQ4 ディフェンスチームは、プレー中にオフェンスチームの凸包面積を有意に小さくすることができるか？
• RQ5 センサーデータから抽出可能な、コーチング意思決定に役立つ動きのパターンの規則性は何か？

主な発見

• クラスタ1（C1）、クラスタ2（C2）、クラスタ3（C3）、およびクラスタ4（C4）は主にオフェンスプレーを示しており、それぞれ85.88%、85.91%、73.93%、84.62%の時間インスタンスがオフェンスと分類された。
• クラスタ6（C6）は防御行動と強く関連しており、その85.07%の時間インスタンスが防御と分類された。
• オフェンスフェーズでは、防御フェーズに比べて顕著に大きな凸包面積が観察され、コート上での選手の広がりが大きいことが示された。
• オフェンスプレー中には平均的な凸包面積が大きくなる傾向があり、スコアリングの機会を創出する戦略的展開がなされていると考えられる。
• 多次元スケーリング（MDS）の可視化結果は、クラスタ間で選手配置構造に顕著な差が存在することを確認した。
• 本研究では、オフェンスチームがディフェンスチームよりも一貫して空間的広がりを維持しているパターンを特定した。一方、ディフェンスチームはそのような広がりを抑制することを目的としている。