[论文解读] Space-Time Analysis of Movements in Basketball using Sensor Data

Rodolfo Metulini, Marica Manisera+1 more|arXiv (Cornell University)|Jul 4, 2017

Sports Analytics and Performance参考文献 7被引用 9

一句话总结

本文提出一种基于GPS传感器数据的时空聚类方法，通过球员位置与间距对篮球比赛进行分段，识别出基于时空轨迹的八个比赛阶段。通过将k-means聚类应用于时空轨迹，研究识别出八个比赛阶段，将其分类为进攻或防守，并揭示了转换模式——表明35.33%的比赛时间对应于高密度进攻阵型（C6），而转换概率显示进攻聚类之间存在显著的方向性转变。

ABSTRACT

Global Positioning Systems (GPS) are nowadays intensively used in Sport Science as they permit to capture the space-time trajectories of players, with the aim to infer useful information to coaches in addition to traditional statistics. In our application to basketball, we used Cluster Analysis in order to split the match in a number of separate time-periods, each identifying homogeneous spatial relations among players in the court. Results allowed us to identify differences in spacing among players, distinguish defensive or offensive actions, analyze transition probabilities from a certain group to another one.

研究动机与目标

• 利用GPS传感器获取的时空球员轨迹，识别篮球比赛中的不同比赛阶段。
• 根据空间结构、球员间距和战术角色（进攻或防守）对每个阶段进行表征。
• 分析比赛阶段之间的转换概率，以理解战术动态。
• 通过数据挖掘技术，使教练能够从团队运动的大数据中提取可操作的战术洞察。

提出的方法

• 对以约37 Hz采样频率收集的133,662个GPS追踪球员位置应用k-means聚类分析。
• 采用卡尔曼滤波对缺失的x-y坐标进行清洗与插补，确保轨迹精度。
• 基于组间偏差与总偏差（BD/TD）比率及增量稳定性，选择k=8个聚类。
• 采用N=2的多维尺度分析（MDS）可视化球员间距离与空间构型。
• 根据平均球员位置与空间分布，将聚类分类为进攻或防守。
• 构建转移矩阵，计算连续时间点间阶段转换的相对频率。

实验结果

研究问题

• RQ1 如何基于空间构型，将GPS获取的球员轨迹划分为有意义的比赛阶段？
• RQ2 哪些空间模式对应于篮球比赛中的进攻或防守动作？
• RQ3 比赛阶段之间的最常见转换是什么？这些转换揭示了怎样的战术流动特征？
• RQ4 所识别的聚类在球员间距与位置方面是否稳定且具有可解释性？

主要发现

• 最优聚类数为k=8，依据BD/TD比率达到50%且k=8后增量收益最小化确定。
• 代表35.33%比赛时间的聚类C6对应于所有球员间距离均低于平均值的高密度防守阵型。
• 聚类C1、C2、C3和C4主要为进攻型，其85.88%、85.91%、73.93%和84.62%的时间被分类为进攻。
• 防守聚类C6最常过渡至C8（占过渡的56.25%），表明战术阵型发生显著转变。
• C1有31.54%的过渡至C3，表明这是一种常见的进攻转换模式。
• 多维尺度分析揭示了清晰的空间差异：C1和C5呈现均匀间距，而C2和C8表现出局部球员群集。