[논문 리뷰] A framework for the fine-grained evaluation of the instantaneous expected value of soccer possessions

Javier Fernández, Luke Bornn외 1명|arXiv (Cornell University)|2020. 11. 18.

Sports Analytics and Performance참고 문헌 26인용 수 74

한 줄 요약

이 논문은 패assing, 볼 드라이브, 슈팅을 별개의 구성요소로 모델링하여 축구에서 예상 소유가치(EPV)를 세밀하고 실시간으로 평가하기 위한 분해된 딥러닝 프레임워크를 제안한다. 컨볼루션 신경망과 공간-시간 특징을 사용하여, 관측된 행동뿐 아니라 가상의 경기 결정까지도 고도로 정밀하고 해석 가능한 확률 표면을 생성함으로써 코aches가 실시간으로 평가할 수 있도록 한다.

ABSTRACT

The expected possession value (EPV) of a soccer possession represents the likelihood of a team scoring or receiving the next goal at any time instance. By decomposing the EPV into a series of subcomponents that are estimated separately, we develop a comprehensive analysis framework providing soccer practitioners with the ability to evaluate the impact of both observed and potential actions. We show we can obtain calibrated models for all the components of EPV, including a set of yet-unexplored problems in soccer. We produce visually-interpretable probability surfaces for potential passes from a series of deep neural network architectures that learn from low-level spatiotemporal data. Additionally, we present a series of novel practical applications providing coaches with an enriched interpretation of specific game situations.

연구 동기 및 목표

• 동적인 경기 상태를 반영하는 실시간 예상 소유가치(EPV)를 추정하기 위한 유연하고 해석 가능한 프레임워크 개발
• EPV를 패assing, 볼 드라이브, 슈팅과 같은 별개의 볼 제어 행동 구성요소로 분해하여 그 개별 기여도를 세밀하게 분석
• 관측된 행동뿐 아니라 가상의 대안 행동까지도 시각화된 확률 표면을 통해 평가할 수 있도록 코aches와 실무자들이 활용할 수 있도록 지원
• 플레이어 및 볼 트래킹에서 유도된 저수준의 시공간 데이터를 사용하여 보정된, 공간 인식이 가능한 예측 생성
• 딥러닝 모델의 복잡성과 프로페셔널 축구에서의 실용적 의사결정 간 격차를 해석 가능성 향상으로 메우기

제안 방법

• EPV는 다음 골 결과(G ∈ {−1, 1})의 기대값으로 모델링되며, 프레임 단위로 분해된 세 가지 볼 제어 행동 구성요소를 통해 추정된다.
• 전체 경기장에 대한 잠재적 패assing 예측을 위해, 다중 해상도 척도(1x, 1/2x, 1/4x)에서 층화된 게임 스냅샷을 처리하는 완전 컨볼루션 신경망(SoccerMap)을 사용하여 국소적 및 전반적 공간 특징을 포착한다.
• 네트워크는 32개 및 64개 필터를 5×5 커널로 사용하고, 다운샘플링을 위해 맥스 풀링을 적용하며, 스케일 간 예측을 융합하기 위한 피처 퓨전 레이어를 사용한 후 최종 1×1 컨볼루션 출력을 생성한다.
• 단일 위치 예측을 위해, 동적 압력선(수직/수평)을 포함한 새로운 공간적 및 맥락적 특징의 풍부한 세트를 기반으로 얕은 신경망을 훈련시킨다. 이 동적 압력선은 플레이어 클러스터링에서 유도된다.
• 동적 압력선은 플레이어 위치의 k=3 클러스터(완전 연결 클러스터링 사용)의 중심으로 정의되며, 팀의 진형(예: 포워드, 미드필더, 디펜더)을 표현한다.
• 기준(expected goals) 모델은 OPTA 이벤트 데이터(117,948개 슈팅)를 기반으로 XGBoost로 훈련되었으며, 슈팅 위치, 거리, 각도, 공격 유형 등의 특징을 포함하여 테스트 로그 손실 0.2540과 ECE 0.00594를 기록하였다.

실험 결과

연구 질문

• RQ1 패assing, 볼 드라이브, 슈팅과 같은 해석 가능한 구성요소로 예상 소유가치(EPV)를 어떻게 분해할 수 있을까? 이는 모델의 투명성을 향상시킬 수 있는가?
• RQ2 딥 뉴럴 네트워크는 단일 위치의 참값 데이터만으로도 잠재적 패assing에 대해 보정된, 시각적으로 해석 가능한 확률 표면을 생성할 수 있는가?
• RQ3 패assing, 볼 드라이브, 슈팅 등과 같은 새로운 공간적 및 맥락적 특징—예를 들어 동적 압력선—은 EPV 추정의 정확성과 해석 가능성에 어느 정도 기여하는가?
• RQ4 이 프레임워크는 실제로 경기 중에 실행되지 않은 가상의 행동을 평가함으로써 실무 코칭 응용에 어떻게 기여할 수 있는가?
• RQ5 제안된 모델은 EPV 및 관련 구성요소에 대해 보정성과 예측 정확성 측면에서 어떤 성능을 보이는가?

주요 결과

• 제안된 프레임워크는 패assing, 볼 드라이브, 슈팅의 세 가지 볼 제어 행동 구성요소로 EPV를 성공적으로 분해하여, 소유가치에 대한 각 행동의 영향을 세밀하게 분석할 수 있도록 한다.
• SoccerMap 아키텍처는 단일 위치 참값 데이터만으로도 전체 경기장에 대해 보정된, 시각적으로 해석 가능한 확률 표면을 생성한다.
• XGBoost 기준 모델은 예상 골에 대해 테스트 로그 손실 0.2540과 ECE 0.00594를 기록하여 OPTA 이벤트 데이터 기반으로 강력한 보정성과 예측 성능을 입증하였다.
• k=3 완전 연결 클러스터링을 통해 유도된 동적 압력선은 팀의 구조를 효과적으로 표현하며, 모델 내 공간 표현을 향상시킨다.
• 단일 모델 기반 EPV 추정에 비해 분해 접근법은 해석 가능성 향상에 기여하여, 코치들이 실시간으로 실행되지 않은 대안 행동의 영향을 평가할 수 있도록 한다.
• 이 프레임워크는 실시간 소유가치 변화 시각화 및 라이브 매치 중 대안 전술 결정의 시뮬레이션과 같은 새로운 실무 적용 가능성을 제공한다.