预测团队移动的结果——基于模糊与深度表征学习方法的球员时间序列分析
机器学习
2021-09-17 v1 人工智能
摘要
我们提取并使用了带有动作类型标签的球员位置时间序列数据，以构建能够表征团队战术行为模式的有效模型，并利用该表征来预测任意移动的结果。我们提供了一种框架，用于将短战术与空间占据编码到更长的移动序列或战术计划中。我们研究了一场比赛中球队控球时规律性地试图到达能够射门得分位置的比赛片段。采用精心设计并高效的核函数，利用三角模糊隶属度函数，为球员在不同场地区域的潜在存在生成多个时间序列。随后对时间序列使用无监督学习，通过三元组损失（triplet loss）和带有指数扩张因果卷积的深度神经网络处理所导出的多元时间序列。本工作的关键贡献在于其建模方法：短场景如何贡献于其他更长场景，以及球员如何在球场中占据并创造新空间。我们讨论了所提方法在2015-16半赛季职业篮球SportVU数据集上预测与识别任务的有效性。即便数据相对较少，所提系统仍展现出良好的功能。
引用
@article{arxiv.2109.07570,
title = {Predicting the outcome of team movements -- Player time series analysis using fuzzy and deep methods for representation learning},
author = {Omid Shokrollahi and Bahman Rohani and Amin Nobakhti},
journal= {arXiv preprint arXiv:2109.07570},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:1901.10738 by other authors