[논문 리뷰] Football tracking networks: Beyond event-based connectivity

Javier M. Buldú, David Garrido외 5명|arXiv (Cornell University)|2020. 11. 11.

Complex Network Analysis Techniques참고 문헌 24인용 수 4

한 줄 요약

이 논문은 전통적인 이벤트 기반 네트워크를 초월하여 상호작용을 모델링하기 위해 플레이어 트래킹 데이터를 사용하는 축구 트래킹 네트워크를 소개한다. 공 흐름, 마킹, 부호화된 근접성, 기능적 협동 네트워크의 네 가지 새로운 네트워크 유형을 제안하며, 실제 라리가 데이터를 활용해 동적인 팀 행동을 포착할 수 있음을 입증한다. 이는 플레이어 간 협동과 팀 구조에 대한 새로운 통찰을 제공한다.

ABSTRACT

We propose using Network Science as a complementary tool to analyze player and team behavior during a football match. Specifically, we introduce four kinds of networks based on different ways of interaction between players. Our approach's main novelty is to use tracking datasets to create football tracking networks, instead of constructing and analyzing the traditional networks based on events. In this way, we are able to capture player interactions that go beyond passes and introduce the concepts of (a) Ball Flow Networks, (b) Marking Networks, (c) Signed Proximity Networks and (d) Functional Coordination Networks. After defining the methodology for creating each kind of network, we show some examples using tracking datasets from four different matches of LaLiga Santander. Finally, we discuss some of the applications, limitations, and further improvements of football tracking networks.

연구 동기 및 목표

• 이산적 이벤트가 아닌 연속적인 트래킹 데이터를 활용해 축구에서 플레이어 간 상호작용을 포착하는 네트워크 기반 모델을 개발하는 것.
• 이벤트 기반 네트워크의 한계를 해결하기 위해, 경기 중 일시적 또는 패assing 이외의 상호작용을 놓치는 문제를 해결하는 것.
• 플레이어 행동과 팀 협동의 다양한 측면을 반영하는 네 가지 새로운 네트워크 유형을 제안하고 검증하는 것.
• 실제 라리가에서 수집한 트래킹 데이터를 활용해 네트워크 과학의 유효성을 입증하고, 실제 경기 동적 행동을 분석하는 데 기여하는 것.
• 데이터 기반 네트워크 모델을 활용해 향후 팀 전략, 플레이어 역할, 전술 패턴 분석을 위한 프레임워크를 제공하는 것.

제안 방법

• 공 흐름 네트워크를 구축하기 위해, 공의 궤적을 플레이어 간의 유도적 상호작용 시퀀스로 모델링하며, 접근성과 공 소유 상태를 기반으로 한다.
• 마킹 네트워크를 구축하기 위해, 수비수와 상대수비수 간의 공간적 근접성을 식별하고, 공간 임계값을 사용해 마킹 관계를 정의한다.
• 부호화된 근접성 네트워크를 생성하기 위해, 플레이어 쌍 간 상대적 위치를 벡터 기반 공간 분석을 통해 협력 또는 경쟁 여부에 따라 양성 또는 부정성 부호를 할당한다.
• 기능적 협동 네트워크를 개발하기 위해, 플레이어의 이동 패턴에 대한 상관관계 또는 유사도 측정법을 사용해 시간적·공간적 동기화를 측정한다.
• 각 네트워크 유형의 구조적 및 동적 성질을 분석하기 위해 표준 네트워크 과학 지표(예: 중심성, 군집계수, 중간성)를 적용한다.
• 네 개의 라리가 경기에서 수집한 실제 트래킹 데이터셋을 사용해 모델을 검증하고, 팀 간 및 경기 단계 간 네트워크 특성을 비교한다.

실험 결과

연구 질문

• RQ1 연속적인 플레이어 트래킹 데이터는 어떻게 의미 있는 상호작용 네트워크로 변환될 수 있으며, 이는 이벤트 기반 데이터를 초월하는가?
• RQ2 공 흐름, 마킹, 부호화된 근접성, 기능적 협동 네트워크는 어떤 종류의 플레이어 상호작용을 포착하는가?
• RQ3 팀 간 및 경기 단계 간 네트워크 지표는 어떻게 다를 수 있으며, 이는 팀 협동에 대해 무엇을 드러내는가?
• RQ4 기존의 이벤트 기반 네트워크에 비해 이러한 네트워크는 전술적 행동 이해를 어느 정도 향상시키는가?
• RQ5 트래킹 데이터를 활용해 축구 팀 역학을 모델링할 때의 한계점과 향후 개선 가능성이 무엇인가?

주요 결과

• 제안된 트래킹 네트워크는 이벤트 기반 네트워크가 놓치는 일시적 상호작용이나 패assing 이외의 상호작용(예: 수비 위치 선정, 공간적 협동)을 성공적으로 모델링한다.
• 기능적 협동 네트워크는 성과가 높은 팀과 낮은 팀 간 플레이어 동기화의 상당한 차이를 드러내었으며, 더 좋은 경기 결과를 거둔 팀에서 더 강한 협동이 관찰되었다.
• 부호화된 근접성 네트워크는 협력적 및 경쟁적 공간 관계를 효과적으로 포착하였으며, 경기 전환기 동안의 동적 변화를 보여주었다.
• 공 흐름 네트워크는 공 이동 패턴이 팀의 공 유지 효율성과 관련이 있으며, 핵심 플레이메이커에서 중심성이 높게 나타남을 입증하였다.
• 마킹 네트워크는 수비적 구조와 추적 행동을 식별하였으며, 중앙 수비수가 상대 수비수를 일관되게 커버하고 있음을 보여주었다.
• 여러 가지 네트워크 유형의 통합은 단일 네트워크 유형보다 더 종합적인 팀 행동 시각을 제공하였다.