使用因子化注意力Transformer模型解码美式足球中的防守覆盖职责

国家橄榄球联盟（NFL）中的防守覆盖方案代表复杂的战术模式，需要防守球员之间的协调配合，他们必须动态地应对进攻方的传球战术。本文提出了一种基于因子化注意力的 Transformer 模型，应用于 NFL 多智能体比赛追踪数据，以预测 individual 覆盖分配、接球手-防守者匹配关系以及每次传球中 targeted 的防守者。与先前专注于团队层面事后覆盖分类的方法不同，我们的模型能够对 individual 球员分配和比赛过程中的匹配动态进行预测建模。因子化注意力机制分离了时间维度和智能体维度，允许独立建模球员移动模式和球员间关系。在随机截断轨迹上训练后，该模型逐帧生成预测，捕捉防守职责从开球前到传球到达的演变过程。我们的模型对所有任务实现了约 89%+ 的准确率，考虑到真实标签中的标注模糊性，真实准确率可能更高。这些输出还支持新型衍生指标，包括伪装率和双人覆盖率，可用于电视转播中的增强叙事，以及为团队策略制定和球员评估提供可操作的见解。