[논문 리뷰] Applying Deep Learning to Basketball Trajectories

Rajiv Ratn Shah, Rob Romijnders|arXiv (Cornell University)|2016. 08. 12.

Sports Analytics and Performance참고 문헌 5인용 수 29

한 줄 요약

이 논문은 NBA SportVu의 원시 3차원 볼 궤적 데이터에 순환 신경망(RNN)을 적용하여 3점 슛 성공 여부를 예측하며, 전통적인 특징 엔지니어링 기반 모델을 능가한다. RNN은 물리 기반 특징 없이도 복잡한 비선형 볼 운동을 학습할 수 있음을 보여주며, 오직 위치 데이터만을 사용하여 AUC 0.843을 달성한다.

ABSTRACT

One of the emerging trends for sports analytics is the growing use of player and ball tracking data. A parallel development is deep learning predictive approaches that use vast quantities of data with less reliance on feature engineering. This paper applies recurrent neural networks in the form of sequence modeling to predict whether a three-point shot is successful. The models are capable of learning the trajectory of a basketball without any knowledge of physics. For comparison, a baseline static machine learning model with a full set of features, such as angle and velocity, in addition to the positional data is also tested. Using a dataset of over 20,000 three pointers from NBA SportVu data, the models based simply on sequential positional data outperform a static feature rich machine learning model in predicting whether a three-point shot is successful. This suggests deep learning models may offer an improvement to traditional feature based machine learning methods for tracking data.

연구 동기 및 목표

• 딥 러닝 모델이 물리 기반 특징 없이도 원시 위치 추적 데이터만을 사용하여 3점 슛 성공 여부를 예측할 수 있는지 조사하는 것.
• 속도 및 각도와 같은 공학된 특징에 의존하는 기존 머신러닝 모델(예: 기울기 부스팅, 선형 모델)과 RNN의 성능을 비교하는 것.
• 순차적 모델링이 농구에서의 비선형 볼 궤적을 포착하는 데 가능성이 있는지 평가하는 것.
• 데이터 품질과 모델 초모수의 영향이 운동 추적 작업의 예측 성능에 미치는 영향을 평가하는 것.

제안 방법

• 연구는 SportVu가 25Hz로 기록한 볼 위치(X, Y, Z)의 시간적 순서를 모델링하기 위해 순환 신경망(RNN), 특히 LSTM 아키텍처를 사용한다.
• 기준 모델은 속도, 가속도 및 위치 데이터에서 유도된 기하학적 변수를 포함한 광범위한 수작업 특징을 사용하는 기울기 부스팅 머신(GBM)이다.
• RNN은 3점 슛의 마지막 0.5초 동안의 볼 위치 시퀀스를 입력으로 받아 슛 성공 여부(성공/실패)를 예측하도록 훈련된다. 이 시퀀스는 볼이 골대에서 8피트 떨어질 때 시작된다.
• 데이터셋은 631개의 NBA 경기에서 나온 20,156개의 3점 슛 射행 기록으로 구성되며, 경기별 플레이 데이터와 연결되어 있다.
• 성능 평가는 ROC 곡선 아래 면적(AUC)을 사용하며, 원시 위치 데이터와 특징 엔지니어링된 입력을 모두 사용한 모델 간 비교가 이루어진다.
• 제한된 훈련 데이터 크기(~40MB)로 인해 일반화 성능 향상을 위한 데이터 증강 기법을 고려하였다.

실험 결과

연구 질문

• RQ1 원시 3차원 볼 궤적 데이터만을 사용해 훈련된 RNN이 3점 슛 성공 여부를 예측하기 위해 광범위한 특징 엔지니어링에 의존하는 기존 머신러닝 모델을 능가할 수 있는가?
• RQ2 물리 법칙에 대한 명시적 지식 없이 RNN이 농구 궤적의 비선형 역학을 어느 정도 학습할 수 있는가?
• RQ3 훈련 데이터 크기가 모델 성능에 미치는 영향은 어떠한가? 제한된 데이터셋 조건에서 데이터 증강 기법이 성능 향상에 기여할 수 있는가?
• RQ4 현재 추적 데이터의 한계(예: SportVu의 노이즈)가 딥 러닝 모델의 예측 정확도를 제약하는가?

주요 결과

• RNN 모델은 3점 슛의 마지막 0.5초 동안의 원시 위치 데이터(X, Y, Z)만을 사용하여 슛 성공 여부를 예측할 때 AUC 0.843을 달성했다.
• 이 성능는 공학된 특징을 사용한 기울기 부스팅 머신(GBM) 모델의 AUC 0.719를 크게 뛰어넘었다.
• 간단한 일반 선형 모델조차 AUC 0.558에 머물러 있어, RNN이 비선형 역학을 더 잘 포착하고 있음을 확인할 수 있었다.
• 반 훈련 데이터로도 RNN 성능은 우수했으며(AUC 0.870), 전체 데이터를 사용했을 때는 더 높은 성능(AUC 0.906)을 기록했다. 이는 RNN의 강건성을 시사한다.
• 연구 결과 RNN는 물리 기반 특징을 명시적으로 제공받지 않더라도 복잡한 비선형 볼 운동 패턴을 학습할 수 있음을 확인했으며, 이는 순차적 운동을 모델링하는 데 잠재적 가능성을 보여준다.
• SportVu 추적 데이터의 노이즈와 정확도 결함이 주요 제약 요소로 지목되었으며, 이는 강력한 결과에도 불구하고 모델 성능을 제약할 수 있다.