基于显著事件与马尔可夫奖励过程的团队入侵型运动可视化分析

在足球和篮球等团队入侵型运动中，分析对于球队理解自身表现以及观众更好地理解比赛十分重要。本工作聚焦于执行可视化分析，以在连续参数空间下评估体育比赛中发生的任意类型事件的价值。此处连续参数空间涉及时间、位置、比分及其他参数。然而，由于此类分析所用的时空数据是低层次表示且规模极大，传统分析可能需要离散化连续参数空间（例如细分场地）或使用局部特征将分析限制于特定事件（例如仅射门）。这些方法使得对连续参数空间下任意类型事件的评估无法实现。为解决该问题，我们将整场比赛视为显著事件的马尔可夫链，从而可通过机器学习模型求解该马尔可夫链，以连续参数空间估计事件价值。首先通过考虑球员的时间变化分布提取显著事件以表征整场比赛。随后，将提取的事件以连续参数空间重定义为不同状态并构建为马尔可夫链，以便应用马尔可夫奖励过程。最后，通过定制的拟合值迭代算法求解马尔可夫奖励过程，从而由回归模型预测连续参数空间下的事件价值。由此，事件价值可在任意给定条件下于整个场地可视化检视。基于真实足球数据的实验结果显示了所提系统的有效性。