DeepHoops：利用时空数据的深度特征表示评估篮球中的微动作
应用统计
2019-02-22 v1
摘要
一次持球掩护值多少？一次远离球的背切值多少？篮球是过去十年中定量指标与评估球员及球队方法激增的若干运动之一。然而，就单个无球事件对一次进攻成功的贡献而言，其评估仍具挑战性。本研究中，我们开发端到端深度学习架构 DeepHoops，处理由 NBA 比赛时空追踪数据构成的独特数据集，以生成随进攻推进的期望得分预测流。我们将问题构建为多类序列分类问题，其中我们的模型基于所述时刻之前的球与球员场地位置序列，估计球员在进攻每一时刻所采取终止动作（如投篮、失误、犯规等）的概率。这些终止动作各自关联一个期望得分值，用于估计将得到的期望得分。该问题的一个挑战在于动作类别的高度不平衡。为解决此问题，我们参数化一种用于训练阶段的降采样方案。我们证明 DeepHoops 校准良好，准确估计各终止动作概率，并进一步展示该模型评估进攻中未被技术统计捕捉的单个动作（可能为无球）的能力。
引用
@article{arxiv.1902.08081,
title = {DeepHoops: Evaluating Micro-Actions in Basketball Using Deep Feature Representations of Spatio-Temporal Data},
author = {Anthony Sicilia and Konstantinos Pelechrinis and Kirk Goldsberry},
journal= {arXiv preprint arXiv:1902.08081},
year = {2019}
}
备注
Working paper