基于 Transformer 的神经标记时空点过程模型用于足球比赛事件分析
人工智能
2023-02-21 v1 机器学习
摘要
随着近期能够记录足球比赛细节的比赛事件数据的出现，分析师和研究人员获得了开发新表现指标、获取洞见并评估关键表现的绝佳机会。然而，大多数体育序列事件建模方法和表现指标在处理如此大规模的时空数据（尤其是时间过程）时可能不够全面，因此需要一个更全面的时空模型和整体性表现指标。为此，我们基于神经时间点过程（NTPP）框架，针对足球事件数据提出了基于 Transformer 的神经标记时空点过程（NMSTPP）模型。在实验中，我们的模型在预测性能上优于基线模型。此外，我们提出了整体控球利用率评分（HPUS）指标，用于更全面的足球控球分析。为进行验证，我们考察了其与足球队赛季最终排名、平均进球数和平均预期进球数（xG）之间的关系。结果发现，即使不使用进球和射门细节信息，平均 HPUS 也显示出显著的相关性。此外，我们展示了 HPUS 在分析单次控球、单场比赛以及多场比赛之间的应用实例。
引用
@article{arxiv.2302.09276,
title = {Transformer-Based Neural Marked Spatio Temporal Point Process Model for Football Match Events Analysis},
author = {Calvin C. K. Yeung and Tony Sit and Keisuke Fujii},
journal= {arXiv preprint arXiv:2302.09276},
year = {2023}
}
备注
36 pages, 25 figures