[论文解读] A framework for the fine-grained evaluation of the instantaneous expected value of soccer possessions

Javier Fernández, Luke Bornn+1 more|arXiv (Cornell University)|Nov 18, 2020

Sports Analytics and Performance参考文献 26被引用 74

一句话总结

本文提出了一种分解型深度学习框架，用于对足球比赛中的预期控球价值（EPV）进行细粒度、实时评估，通过将传球、带球和射门分别建模为独立组件。利用卷积神经网络和时空特征，该方法生成了校准良好且视觉可解释的概率分布图，用于预测潜在动作，使教练能够以高精度和可解释性评估实际发生及假设的在场比赛决策。

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.

研究动机与目标

• 开发一种灵活且可解释的框架，用于估计足球比赛中即时的预期控球价值（EPV），以捕捉动态在赛状态。
• 将EPV分解为独立的有球动作组件——传球、带球和射门，以实现对其个体贡献的细粒度分析。
• 使教练和实践者能够评估不仅实际发生的动作，还包括通过可视化概率分布图模拟的潜在替代动作。
• 仅使用球员和球追踪的低层次时空数据，生成校准良好且具备空间感知能力的预测。
• 通过增强模型可解释性，弥合复杂深度学习模型与职业足球实际决策之间的差距。

提出的方法

• EPV被建模为下一个进球结果（G ∈ {−1, 1}）的期望值，通过将三种有球动作组件分解，逐帧估算。
• 为实现全场潜在传球的预测，采用全卷积神经网络（SoccerMap），处理多分辨率尺度（1x、1/2x、1/4x）的分层比赛快照，以捕捉局部与全局空间特征。
• 网络使用32和64个滤波器，卷积核大小为5×5，采用最大池化进行下采样，并通过融合层将多尺度预测结果合并，最终通过1×1卷积输出。
• 针对单点位置预测，训练浅层神经网络，输入为一组新型空间与上下文特征，包括基于球员聚类生成的动态压力线（垂直/水平方向）。
• 动态压力线定义为k=3个聚类的质心（使用完全链接聚类法），用于表示球队阵型（如前锋、中场、后卫）。
• 基于OPTA事件数据（117,948次射门）训练基线预期进球模型，使用XGBoost，特征包括射门位置、距离、角度和进攻类型，测试对数损失为0.2540，ECE为0.00594。

实验结果

研究问题

• RQ1 如何将预期控球价值（EPV）分解为可解释的传球、带球和射门组件，以提升模型透明度？
• RQ2 深度神经网络能否仅使用单点位置的真实标注数据，生成校准良好且视觉可解释的潜在传球概率分布图？
• RQ3 诸如动态压力线等新型空间与上下文特征在多大程度上提升了EPV估计的准确性和可解释性？
• RQ4 该框架如何通过评估比赛中未执行的假设性动作，支持实际教练应用场景？
• RQ5 所提模型在EPV及其相关组件上的校准性与预测准确性表现如何？

主要发现

• 所提出的框架成功将EPV分解为三种有球动作组件——传球、带球和射门，实现了对其对控球价值个体影响的细粒度分析。
• SoccerMap架构即使仅使用全场单点位置的真实标注数据进行训练，也能生成校准良好且视觉可解释的潜在传球概率分布图。
• 基于XGBoost的预期进球基线模型在OPTA事件数据上实现测试对数损失0.2540和ECE 0.00594，表明其具有出色的校准性与预测性能。
• 通过k=3完全链接聚类法从球员位置中提取的动态压力线，有效表征了球队结构，并增强了模型的空间表征能力。
• 与单一模型EPV估计相比，该分解方法显著提升了可解释性，使教练能够评估现实中未执行的替代动作的影响。
• 该框架支持新型实用应用，如实时可视化控球价值演变过程，并在比赛进行中模拟替代战术决策。