[论文解读] Sensor Analytics in Basketball
本文利用传感器分析方法对篮球运动进行研究，采用GPS追踪的球员轨迹数据，结合凸包（convex hull）与k均值聚类方法，识别与球队表现相关的运动模式。研究发现，进攻阶段的球员间距（以凸包面积衡量）显著大于防守阶段，表明球队通过战略性拉开空间以创造更多得分机会。
A new approach in team sports analysis consists in studying positioning and movements of players during the game in relation to team performance. State of the art tracking systems produce spatio-temporal traces of players that have facilitated a variety of research aimed to extract insights from trajectories. Several methods borrowed from machine learning, network and complex systems, geographic information system, computer vision and statistics have been proposed. After having reviewed the state of the art in those niches of literature aiming to extract useful information to analysts and experts in terms of relation between players' trajectories and team performance, this paper presents preliminary results from analysing trajectories data and sheds light on potential future research in this field of study. In particular, using convex hulls, we find interesting regularities in players' movement patterns.
研究动机与目标
- 通过篮球比赛中传感器获取的轨迹数据，识别球员运动模式的规律性。
- 将空间位置与运动动态与球队表现结果相关联。
- 开发可视化与分析工具，支持教练与分析师对战术行为的解读。
- 探究通过凸包测量的球员间距在进攻与防守阶段的差异。
- 为未来基于多变量轨迹数据的团队运动数据驱动分析奠定基础。
提出的方法
- 利用真实篮球比赛中球员的GPS追踪时空轨迹数据。
- 采用k均值聚类方法，根据球员间距离对时间点进行分组，k值通过组间与总偏差比率确定，最终选定k=8。
- 运用多维尺度分析（MDS）将球员位置在二维空间中可视化，同时保持平均球员间距离的保真度。
- 将比赛阶段定义为在球员间距与球队位置布局上具有同质性的时段。
- 使用凸包面积作为衡量球员在球场上空间分布范围的几何指标。
- 分析凸包面积的时间序列，比较两支球队在进攻与防守策略上的差异。
实验结果
研究问题
- RQ1篮球比赛中，进攻与防守阶段的球员位置模式有何不同？
- RQ2通过凸包面积测量的球员间距在多大程度上与球队表现相关？
- RQ3轨迹数据的聚类能否揭示不同的战术阵型或运动模式？
- RQ4防守方在比赛中是否能有效减小进攻方的凸包面积？
- RQ5从传感器数据中可提取哪些运动模式的规律性，以支持教练决策？
主要发现
- 聚类1（C1）、聚类2（C2）、聚类3（C3）与聚类4（C4）主要代表进攻动作，其时间点中分别有85.88%、85.91%、73.93%与84.62%被分类为进攻阶段。
- 聚类6（C6）与防守动作强相关，其85.07%的时间点被分类为防守阶段。
- 进攻阶段的凸包面积显著大于防守阶段，表明球员在场上的空间分布更广。
- 进攻阶段的平均凸包面积更大，表明球队有意识地通过拉开空间来创造得分机会。
- 多维尺度分析（MDS）可视化结果证实了不同聚类间球员位置结构存在显著差异。
- 本研究识别出一种稳定模式：进攻方维持更大的空间分散，而防守方则致力于缩小这种空间分布。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。