一种基于机器学习的足球球员非球端守望角色与表现评估框架
机器学习
2026-01-05 v1
摘要
评估足球中非球端守望表现具有挑战性，因为传统指标无法捕捉限制对手行动选择与成功概率的微妙协同运动。尽管广泛使用的possession价值模型在评估球端动作方面表现优异，但其在防守领域的应用仍有限。现有的反事实方法，如幽灵模型，虽有助于延扩展这些分析，但常依赖于缺乏战术语境的“平均”行为模拟。为此，我们提出一种针对角球的协变量依赖隐藏马尔可夫模型（CDHMM），该模型专为足球比赛中高度结构化的环节设计。我们的无标签模型可直接从球员跟踪数据中推断出时间分辨的个人标记和区域性分配。我们利用这些分配提出一种新的防守信用归因框架，以及一种用于非球端防守表现的反事实分析的角色条件化幽灵方法。我们展示，这些贡献如何提供一种可解释的防守贡献评估，针对具有情境感知基准的评估。
引用
@article{arxiv.2601.00748,
title = {A Machine Learning Framework for Off Ball Defensive Role and Performance Evaluation in Football},
author = {Sean Groom and Shuo Wang and Francisco Belo and Axl Rice and Liam Anderson},
journal= {arXiv preprint arXiv:2601.00748},
year = {2026}
}
备注
40 pages, 16 figures