基于足球事件型球员位置数据的速度完成任务与方法

在许多真实世界的复杂系统中，行为可以作为由多个相互作用的代理人生成的离散事件集合来观察。分析这些多代理系统(尤其是团队运动)的动态往往依赖于理解单个代理人的运动和相互作用。然而，尽管提供了有价值的快照，事件型位置数据通常缺乏直接计算诸如速度等关键属性所必需的连续时间信息。这种缺失严重限制了动态分析的深度，防止了对单个代理人行为及涌现团队策略的全面理解。为解决这一挑战，我们提出了一种仅使用团队运动事件型位置数据即可同时完成所有代理人速度的新方法。基于所完成的速度信息，我们研究了现有团队运动分析和评估方法的适用性。使用足球事件数据进行的实验表明，神经网络方法在速度完成误差方面优于基于规则的方法，这是由于对玩家间或玩家与球队关系的时序依赖性和图结构的考量。此外，使用所完成速度获得的空间评估结果接近于来自完整跟踪数据的结果，这凸显了本方法在增强团队运动系统分析方面的潜力。