[논문 리뷰] DeepHoops: Evaluating Micro-Actions in Basketball Using Deep Feature Representations of Spatio-Temporal Data

Anthony Sicilia, Konstantinos Pelechrinis외 1명|arXiv (Cornell University)|2019. 02. 21.

Sports Analytics and Performance인용 수 6

한 줄 요약

DeepHoops는 NBA 경기의 시공간 추적 데이터를 활용하여 실시간으로 예상 득점을 추정하는 딥러닝 프레임워크를 제안한다. 공격 드라이브를 시퀀스 분류 문제로 모델링하여 스크린, 카드, 패스와 같은 마이크로 액션을 평가한다. 이 모델은 보정된 확률 추정치를 도출하며 개별 액션의 예상 득점 기여도를 정량화한다. 그 결과, 어시스트는 약 72%의 시간 동안 예상 득점을 증가시킨다.

ABSTRACT

How much is an on-ball screen worth? How much is a backdoor cut away from the ball worth? Basketball is one of a number of sports which, within the past decade, have seen an explosion in quantitative metrics and methods for evaluating players and teams. However, it is still challenging to evaluate individual off-ball events in terms of how they contribute to the success of a possession. In this study, we develop an end-to-end deep learning architecture DeepHoops to process a unique dataset composed of spatio-temporal tracking data from NBA games in order to generate a running stream of predictions on the expected points to be scored as a possession progresses. We frame the problem as a multi-class sequence classification problem in which our model estimates probabilities of terminal actions taken by players (e.g. take field goal, turnover, foul etc.) at each moment of a possession based on a sequence of ball and player court locations preceding the said moment. Each of these terminal actions is associated with an expected point value, which is used to estimate the expected points to be scored. One of the challenges associated with this problem is the high imbalance in the action classes. To solve this problem, we parameterize a downsampling scheme for the training phase. We demonstrate that DeepHoops is well-calibrated, estimating accurately the probabilities of each terminal action and we further showcase the model's capability to evaluate individual actions (potentially off-ball) within a possession that are not captured by boxscore statistics.

연구 동기 및 목표

• 기존 상자스코어 통계에서 포착되지 않는 농구 오프볼 마이크로 액션을 평가할 수 있는 방법을 개발하는 것.
• 실시간 시공간 데이터를 활용해 드라이브 중 예상 득점이 어떻게 변화하는지 모델링하는 것.
• 드라이브 종료 액션(예: 슛, 턴오버 등) 예측에서의 클래스 불균형 문제를 해결하기 위해 파rameterized 다운샘플링 기법을 적용하는 것.
• 특정 마이크로 액션(예: 패스, 스크린 등)의 가치를 예상 득점 변화 측정을 통해 정량화하는 것.
• 코칭 및 전략적 의사결정을 위한 실시간 또는 '만약에' 시나리오 분석을 가능하게 하는 것.

제안 방법

• DeepHoops는 시간 창 $W$ 동안의 시공간 시퀀스(플레이어 및 볼 위치)를 처리하기 위해 딥러닝 아키텍처를 사용한다. 이는 $T$개의 시간 단위에 걸쳐 이루어진다.
• 모델은 드라이브 내 각 순간에 종료 액션(예: 슛, 턴오버, 파울 등)에 대한 다중 클래스 확률 분포를 예측한다.
• 플레이어 임베딩을 통합하여 인원 구성의 차이를 고려함으로써 액션 평가의 맥락 인식 능력을 향상시킨다.
• 예상 득점 $\epsilon_{\pi}(\tau)$ 는 종료 액션의 확률과 그에 해당하는 득점 값의 가중합으로 계산된다.
• 드물게 발생하는 사건(예: 파울, 턴오버 등)에 대한 높은 클래스 불균형 문제를 해결하기 위해 학습 중에 파rameterized 다운샘플링 기법을 적용한다.
• 프레임워크는 마이크로 액션 $\alpha$ 가 시간 $\tau$ 에 발생하기 전과 후의 예상 득점 차이를 측정하여 예상 득점 기여도 $\Delta \epsilon_{\pi}(\alpha, \tau)$ 를 계산한다.

실험 결과

연구 질문

• RQ1 스크린, 카드, 패스와 같은 마이크로 액션들이 예상 득점 결과에 미치는 영향을 정량적으로 평가할 수 있는가?
• RQ2 시공간 추적 데이터를 기반으로 한 딥러닝 모델이 실시간으로 종료 액션(예: 슛, 턴오버 등)의 확률 분포를 정확하게 추정할 수 있는가?
• RQ3 어시스트와 일반 패스에 비해 예상 득점 증가 효과가 얼마나 큰가? 이 차이는 통계적으로 유의미한가?
• RQ4 드물게 발생하는 사건(예: 슛 파울, 턴오버 등)에 대해 모델의 확률 추정치가 얼마나 잘 보정되어 있는가?
• RQ5 DeepHoops는 코칭 및 경기 중 의사결정을 위한 실시간 또는 '만약에' 시나리오 분석을 지원할 수 있는가?

주요 결과

• DeepHoops는 종료 액션에 대해 보정된 확률 추정치를 도출하여 예측에 대한 신뢰도가 높음을 입증한다.
• 72% 이상의 어시스트가 예상 득점을 증가시키며, 이는 전략적 가치와의 강한 일치를 시사한다.
• 콜모고로프-스미르노프 검정은 어시스트와 일반 패스에 대한 예상 득점 기여도 분포가 동일하다는 귀무가설을 0.1% 유의수준에서 기각한다.
• 수비수의 접근에 따라 파울 확률을 증가시킴으로써 모델은 드라이브 중 키프리드 영역 진입 시 파울 발생 가능성을 정확히 식별한다.
• 실시간 스냅샷 분석 결과, 스크린과 패스 이후 오픈된 3점 슛로 이어지는 경우 예상 득점이 증가하는 것을 DeepHoops가 탐지한다.
• 프레임워크는 어시스트 패스와 비어시스트 패스를 효과적으로 구분하며, 어시스트 패스는 비어시스트 패스보다 유의미하게 높은 예상 득점 기여도를 보인다.