[论文解读] Football tracking networks: Beyond event-based connectivity

Javier M. Buldú, David Garrido+5 more|arXiv (Cornell University)|Nov 11, 2020

Complex Network Analysis Techniques参考文献 24被引用 4

一句话总结

本文提出了一种基于球员追踪数据的足球追踪网络，用于建模超越传统基于事件的网络的互动关系。该研究提出了四种新型网络类型——传球流动网络、盯人网络、带符号邻近网络和功能协调网络，利用真实的西甲联赛数据集展示了其捕捉动态团队行为的能力，为球员协作与团队结构提供了新见解。

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.

研究动机与目标

• 开发基于网络的模型，利用连续追踪数据而非离散事件，捕捉足球比赛中的球员互动。
• 解决基于事件的网络的局限性，这些网络会遗漏比赛中短暂或非传球的互动。
• 提出并验证四种新型网络类型，以反映球员行为和团队协调的不同方面。
• 展示网络科学在利用来自西甲联赛的真实比赛追踪数据进行实证分析方面，对真实比赛动态的分析价值。
• 为未来基于数据驱动的网络模型分析团队战术、球员角色和战术模式提供一个框架。

提出的方法

• 通过基于球员邻近性和控球状态的序列化有向互动，将球的轨迹建模为传球流动网络。
• 通过识别防守球员与对手之间的空间邻近关系，利用空间阈值定义盯人关系，构建盯人网络。
• 通过基于向量的空间分析，为球员对分配正负符号，反映其相对位置中的合作或对抗关系，构建带符号邻近网络。
• 通过测量球员运动模式之间的时空同步性，使用互相关或相似性度量，构建功能协调网络。
• 应用标准网络科学指标（例如，度中心性、聚类系数、介数）分析每种网络类型的结构和动态特性。
• 使用四场西甲联赛比赛的真实追踪数据集验证模型，比较不同球队和比赛阶段的网络特征。

实验结果

研究问题

• RQ1 如何将连续的球员追踪数据转化为超越基于事件数据的有意义的互动网络？
• RQ2 传球流动网络、盯人网络、带符号邻近网络和功能协调网络分别捕捉了哪些类型的球员互动？
• RQ3 不同球队和比赛阶段的网络指标有何差异，它们揭示了哪些关于团队协调的信息？
• RQ4 与传统的基于事件的网络相比，这些网络在多大程度上提升了对战术行为的理解？
• RQ5 使用追踪数据建模足球团队动态存在哪些局限性，以及可能的改进方向是什么？

主要发现

• 所提出的追踪网络成功捕捉了基于事件的网络所遗漏的短暂或非传球互动，例如防守站位和空间协调。
• 功能协调网络揭示了高绩效与低绩效球队之间球员同步性的显著差异，表现更好的球队展现出更强的协调性。
• 带符号邻近网络有效捕捉了合作与对抗的空间关系，并在比赛转换期间显示出动态变化。
• 传球流动网络表明，球的移动模式与球队控球效率相关，关键球员在传球网络中具有更高的中心性。
• 盯人网络识别出防守结构和追踪行为，凸显中后卫如何持续覆盖对方前锋。
• 多种网络类型的整合提供了比单一网络类型更全面的团队行为视图。