基于图神经网络的成功反击行为深度分析
机器学习
2024-12-31 v2 社会与信息网络
摘要
足球反击是一种在球队从防守状态转换到攻击状态后发生的高速、高强度的直接进攻。这一过程旨在通过最小传递数来覆盖大量场地，从而在对手恢复防守阵型之前创造得分机会。本研究旨在构建基于性别的图神经网络（Graph Neural Network）来建模反击成功的概率，并揭示哪些因素使反击得以成功。这些模型在总计 20863 帧同步球力事件和时空（播送）跟踪数据上进行训练。该数据集来源于 632 场 MLS（2022 年）、NWSL（2022 年）以及国际足球（2020-2022 年）的比赛。我们证明，性别特定的图神经网络在预测反击成功结果方面优于结构相同且性别模糊的模型。我们使用置换特征重要性（Permutation Feature Importance）显示，球员到禁区线速度、球到禁区线的角度、球到球员的角度以及边线到边线速度是对模型性能影响最大的节点特征。此外，我们还提供了一些示例，旨在帮助识别改进球员决策的潜在路径。本研究伴随一个开源仓库，包含所有数据和代码，还附带一个开源的 Python 软件包，用于简化时空数据转换为图结构。该软件包还便于对该数据进行测试、验证、训练和预测。这将使读者更容易复制和改进我们的研究。
引用
@article{arxiv.2411.17450,
title = {A Graph Neural Network deep-dive into successful counterattacks},
author = {Joris Bekkers and Amod Sahasrabudhe},
journal= {arXiv preprint arXiv:2411.17450},
year = {2024}
}
备注
11 pages, 11 figures, first submitted (and accepted) at MIT Sloan Sports Analytics Conference 2023