[논문 리뷰] A Continuous-time Stochastic Block Model for Basketball Networks

Lü Xin, Mu Zhu외 1명|arXiv (Cornell University)|2015. 07. 04.

Sports Analytics and PerformanceEconomics, Econometrics and Finance참고 문헌 15인용 수 16

한 줄 요약

이 논문은 실시간 트래킹 데이터를 사용하여 농구 경기를 동적 거래 네트워크로 표현하는 연속시간 스토케스틱 블록 모델(CSBM)을 제안한다. 이 모델은 플레이어 간 상호작용을 비균일한 연속시간 마르코프 체인으로 모델링하여 플레이 스타일과 성과 기반으로 플레이어를 군집화한다. 모델은 팀의 공격 전략을 드러내며, 군집별로 스크로잉, 리바운드, 스틸 효과성에 대한 추정치를 제공하여 전통적인 박스 스토어 지표를 초월한 더 객관적이고 효율적인 플레이어 평가를 가능하게 한다.

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.

연구 동기 및 목표

• 농구 분석에서 플레이어 간 상호작용과 실시간 플레이 다이내믹스를 포착하지 못하는 전통적 박스 스토어 지표의 한계를 해결하기 위해.
• 실시간 트래킹 데이터를 기반으로 플레이 스타일과 성과에 따라 플레이어를 군집화하는 데이터 기반의 객관적 방법을 개발하기 위해.
• 농구 플레이를 비균일한 연속시간 마르코프 체인으로 모델링하여 시간에 따른 다이내믹스와 상호작용 패턴을 포착하기 위해.
• 코aches와 스카우트가 팀 전략에 맞는 플레이어를 효율적으로 식별할 수 있도록, 팀 간 공격 전략의 미세한 차이를 드러내기 위해.
• 스코링, 리바운드, 스틸과 같은 핵심 농구 행동에 대해 군집별 성과 추정치를 제공하기 위해.

제안 방법

• SportVU 트래킹 데이터를 사용하여 농구 경기를 거래 네트워크로 모델링하며, 플레이어를 노드로, 패assing, 슛팅, 스틸과 같은 행동을 방향성 있는 간선으로 간주한다.
• 각 플레이어의 행동 시퀀스를 시간에 따라 변하는 강도 함수를 갖는 연속시간 마르코프 과정으로 표현한다.
• 공통된 행동 패턴과 성과 지표를 기반으로 플레이어를 K개의 군집으로 군집화하기 위해 스토케스틱 블록 모델(SBM) 프레임워크를 적용한다.
• 잠재 군집 소속과 모델 파라미터를 추정하기 위해 EM 알고리즘과 지속적 샘플링(Gibbs sampling)을 사용하며, 시간 통합 강도 함수를 통합한다.
• 전이 비율 간 확률 제약 조건을 만족시키기 위해 라그랑주 승수법(Lagrangian relaxation)과 수치적 근 찾기(특히 R의 uniroot를 활용)를 적용한다.
• 95퍼센트의 점별 신뢰구간을 추정 강도 함수에 대해 계산하기 위해 델타 방법(Delta method)과 관측된 피셔 정보를 활용한다.

실험 결과

연구 질문

• RQ1 정적 박스 스토어 통계를 초월해 플레이어 성과와 플레이 스타일을 객관적으로 모델링할 수 있는 방법은 무엇인가?
• RQ2 연속시간 마르코프 체인이 농구 플레이의 동적이고 실시간적인 특성을 어느 정도 잘 포착할 수 있는가?
• RQ3 상호작용 패턴과 행동 시퀀스 기반의 플레이어 군집화가 팀 간 공격 전략의 의미 있는 차이를 드러낼 수 있는가?
• RQ4 군집별로 추정한 스크로잉, 리바운드, 스틸 효과성은 전통적 지표와 어떻게 비교되는가?
• RQ5 신뢰구간을 통해 관찰된 행동 패턴이 데이터 노이즈의 산물일 가능성이 낮다는 점이 확인되는가?

주요 결과

• CSBM은 플레이 스타일과 성과 기반으로 플레이어를 명확한 군집으로 분류하여 스카우트가 플레이어 검색 범위를 효율적으로 좁힐 수 있도록 한다.
• 모델은 팀 간 공격 전략의 상당한 차이를 드러내며, 특히 패assing과 슛팅의 시기와 빈도에서 두드러진다.
• 스코링과 스틸과 같은 행동에 대한 군집별 강도 함수는 명확한 시간 패턴을 보이며, 24초 슛 타이머 한계 근처에서는 관측 수가 적어 신뢰구간이 넓어진다.
• 모델은 박스 스토어 지표를 초월해 더 세밀한 성과 추정치를 제공하여 플레이어가 개인 통계를 초월해 팀 플레이에 어떻게 기여하는지를 포착한다.
• 신뢰구간의 사용은 관측된 행동 패턴이 데이터 노이즈의 산물일 가능성이 낮음을 확인하며, 특히 플레이의 초기 및 중간 단계에서 그러하다.
• Gibbs 샘플링을 통한 EM 알고리즘은 안정적으로 수렴하며 잠재 군집 소속과 플레이어 군집 간 전이 확률 추정이 가능하다.