Пространственные метрики в футболе, теория зон, модель автономного игрока и симуляция игровых моментов

Пространственные метрики в футболе, теория зон, модель автономного игрока и симуляция игровых моментов

 

Теги Хаммарбю высшая лига Швеция премьер-лига Англия Ла Лига Ливерпуль Барселона Футбол

 

В основе данной статьи лежит работа под названием “ Взгляд в будущее: использование моделей автономных частиц для помощи игрокам в принятии решений на футбольном поле ”, представленная впервые на международной конференции по спортивной аналитике (MIT Sloan Sports Analytics Conference) в марте 2020. Среди авторов работы фигурируют такие люди как Хавьер Эрнандес (глава департамента спортивной аналитики Барселоны) и Дэвид Самптер (профессор математики университета Uppsala, более известен как автор книги Soccermatics). Оба автора принимают активное участие в развитие и популяризации математических методов и моделей, применяемых в футбольной аналитике. На youtube канале Friends of tracking можно найти много интересного и качественного контента от вышеупомянутых специалистов (правда только на английском языке).

Первоочередная цель данной статьи – предложить читателю адаптированный и несколько переработанный перевод оригинальной работы с дополнением некоторых деталей из других работ по данной тематике и выделением ключевых моментов и выводов, полученных авторами, основываясь на которых можно обозначить намечающиеся тренды в мире футбольной аналитики.

Ну что, поехали.

Среди всех командных видов спорта футбол занимает 1ое место по сложности паттернов движения игроков

Основная задача футбольной аналитики – это понимание коллективного перемещения футболистов и мяча. С одной стороны, футбол является более “текучим” (плавно меняющимся) видом спорта, в сравнении с американским футболом и бейсболом или крикетом, которые являются более “дискретными” играми. (т. е. прерывистыми, разбитыми на множество отдельных эпизодов). С другой стороны, по количеству игроков на поле, вовлеченных в коллективное движение, футбол значительно превосходит хоккей и баскетбол. С точки зрения математического моделирования это означает, что футбол имеет больше степеней свободы, чем другие виды спорта, делая довольно сложным возможность оценивания игровой ситуации используя одну или небольшое число метрик. До недавнего времени указанная особенность усложнялась еще и отсутствие внутриигровых (in-game) данных.

Здесь стоит отметить, что всю информацию, собираемую во время футбольных матчей, можно разделить на три типа данных.

Теория зон

Есть весомые причины, по которым процесс моделирования, основанный на зонном взаимодействии автономных объектов, может быть довольно успешным в футболе. Многие тренеры часто делят футбольное поле на три зоны относительно позиции мяча. Франциско Сейруло из департамента методологии Барселоны выделяет следующие три зоны:

1. Зона перехвата (Intervention zone) – зона покрывает точки непосредственно вокруг мяча. Она включает в себя игрока с мячом и защитников, которые могут отобрать или перехватить мяч мгновенно.

2. Зона взаимопомощи (mutual help zone) – игроки данной зоны находятся на относительно близких позициях к мячу, но дальше, чем игроки из зоны перехвата. Партнеры игрока с мячом рассматриваются как находящиеся внутри данной зоны, если они могут получить пас в течение нескольких секунд. Защитники противоположной команды считаются находящимися внутри зоны, если они могут отобрать или перехватить мяч в течение нескольких следующих секунд после паса.

3. Зона взаимодействий (cooperation zone) – игроки данной зоны находятся значительно дальше от игрового эпизода, чем игроки других зон. Предполагается, что они не смогут получить мяч в течение нескольких следующих секунд после паса. В фазе атаки эти игроки стремятся занять наиболее опасные для противников зоны поля и контролировать пространство. В защите они нацелены минимизировать пространство, которое использует соперник.

В качестве примера для демонстрации данного подхода предлагается рассмотреть игровой эпизод из футбольного матча Барселона – Бетис сезона 2017-2018 Ла Лиги. Ниже приведен стоп-кадр с отрисовкой соответствующих зон и схематичное отображение данного эпизода, на котором красные кружки - игроки Барселоны, зеленые - Бетиса, черный кружок - мяч, стрелкой изображен вектор скорости футболиста, который указывает направление движения, длина вектора пропорциональна скорости футболиста в данный момент времени.

 

 

 

 

В рассматриваемом моменте игрок с мячом (Серхи Роберто) и два игрока Бетиса (один за спиной, второй - встречающий) находятся в зоне перехвата. Левый вингер Барселоны (Пако Алькасер), Жорди Альба и опекающие их игроки Бетиса находятся в зоне взаимопомощи. Остальные игроки находятся в зоне взаимодействий.

Ключевым игроком в данном эпизоде, действия которого далее будут сравниваться с оптимальным прогнозом модели автономного игрока, является Пако Алькасер, который делает ложное открывание в сторону штрафной, освобождая за своей спиной пространство, в которое открывается Жорди Альба.

Оценка метрики владение

В соответствии с зональной моделью, предложенной в начале статьи, в зоне взаимодействий находятся все игроки, которые не могут мгновенно получать мяч из текущей игровой ситуации. Правильность позиционирования в этой зоне определяется тренерами путем выбора той или иной тактической установки. Авторы данной работы в процессе тестирования модели совместно с тренерским штабом Хаммарбю разработали методику для определения тактической схемы в защите для различных игровых ситуаций используя комбинацию метрик – влияние (PI) и контроль (PC). Подробные детали относительно разработанного подхода авторы раскрыть не могут, но предлагают несколько примеров, на которых можно показать отдельное использование метрики PC для демонстрации неправильного расположения игроков на поле в соответствующих игровых моментах (в статье данные примеры опускаются).

Заключение

Данная работа является первым шагом в моделировании автономного движения футболистов. Предложенный авторами подход может быть использован совместно с чистыми data-driven решениями, когда движения игроков предсказываются с помощью нейронной сети. Преимущество подхода, предложенного в данной работе, заключается в том, что он основан на существующих тренерских знаниях и предположениях, которые могут быть легко объяснены тренерскому составу и игрокам. (В случае использования нейронных сетей интерпретация получаемых результатов становится гораздо более сложной задачей, зачастую невозможной в принципе; например, мы можем получить ответ на то, какая позиция будет наиболее оптимальной, но на вопрос почему, мы не сможем ответить)

В дальнейшем состоятельность модели, предложенной в данной работе, должна быть проверена на большом объеме данных.

Мы выяснили, что подход с разбиением футбольного поля на несколько зон, может быть основой для построения модели, предсказывающей оптимальное расположение футболистов на поле. В частности, игрокам, находящимся в зоне взаимопомощи, свойственно стремление занять такую точку на поле, которая максимизирует совокупную вероятность получить пас (PP) и вероятность влияния паса (PI), т. е. вероятность забить гол, после того как пас будет получен. Количественная оценка результатов симуляции, фактические данные и совместные дискуссии с игроками подтверждают предположение, что два или три игрока, находящихся ближе всего к получающему мяч, могут рассматриваться, как находящиеся в одной зоне взаимопомощи.

В обсуждения с тренерами и игроками пространственная метрика – владение (PC) доказала свою полезность для анализа тактики и позиционирования в зоне взаимодействий, но оказалось не точной, с точки зрения модели, предсказывающей оптимальное положение игроков в данной зоне, во время атакующих действий в финальной трети поля. В действительности, ни одна из рассмотренных метрик не смогла продемонстрировать результаты лучше контрольной модели, которая рекомендует игрокам в качестве оптимального действия – оставаться на том же месте. Обсуждение с игроками показало, что метрика владение – может быть полезной при анализе движений в зоне взаимодействий во время прессинга. (но данную гипотезу еще предстоит проверить).

Предложенный в данной работе подход является первым шагом на пути к построению комплексной модели, которая сможет точно определять оптимальные решения игроков на футбольном поле в любом игровом эпизоде. Модель МАИ и используемые в ней пространственные метрик, должны рассматриваться как инструмент, помогающий понять и оценить действия игроков на поле и предлагающий альтернативные варианты. Предложенная модель должна итеративно улучшаться и дополняться на основе анализа своей состоятельности на новых данных. Данный процесс будет идти более эффективно, как в рассмотренном случае, если будет проходить на базе профессиональных футбольных клубов.

Со своей стороны хочу выделить ключевые моменты еще раз:

· В данной работе и ряде других работ, опубликованных за последние пару лет, часто упоминаются специалисты по data science из Барселоны и Ливерпуля в качестве авторов работы или же авторов методов (первые ввели ту или иную метрику), на основе которых предлагаются другие (улучшенные или несколько альтернативные) концепции для использования в футбольном анализе. Т.е. мы видим, что представители ведущих мировых клубов активно участвуют в развитие инструментов футбольного анализа (инновации идут не из вне, а изнутри самой индустрии, что указывает на то, что клубы понимают важность и большой потенциал продвинутых методов анализа для увеличения эффективности команд)

· появление трекинговых данных в совокупности с параллельным развитием продвинутых методов аналитики на основе машинного обучения запустило активный процесс разработки новых способов оценки всего игрового процесса на футбольном поле (разработка новых метрик, моделей, оценивающих оптимальные действия и т. д.), которые позволяют оценивать более широкий спектр действий футболистов и делать это более эффективно, чем раньше

· новые методы анализа становятся более сложными, на примере рассмотренных пространственных метрик мы видим, что относительно простая метрика xG является составной частью метрики PI (влияние), которая используется совместно с другой метрикой PP (вероятность паса), для эффективной оценки действий футболистов в атакующей фазе игры и находящихся в определенной зоне поля (зоне - взаимопомощи) и определния итоговой вероятности гола (PP * PI)

· с увеличением качества и эффективности разрабатываемых метрик и моделей будет увеличиваться количество решений, принимающихся на основе прогнозов аналитических моделей и роль последних в футбольном процессе (мне кажется, мы застанем с вами время, когда оптимальный состав на игру, игроки выполняющие стандарты, тренерский состав и сам тренировочный процесс будет определятся преимущественно на основе работы аналитических моделей)

 

Пространственные метрики в футболе, теория зон, модель автономного игрока и симуляция игровых моментов

 

Теги Хаммарбю высшая лига Швеция премьер-лига Англия Ла Лига Ливерпуль Барселона Футбол

 

В основе данной статьи лежит работа под названием “ Взгляд в будущее: использование моделей автономных частиц для помощи игрокам в принятии решений на футбольном поле ”, представленная впервые на международной конференции по спортивной аналитике (MIT Sloan Sports Analytics Conference) в марте 2020. Среди авторов работы фигурируют такие люди как Хавьер Эрнандес (глава департамента спортивной аналитики Барселоны) и Дэвид Самптер (профессор математики университета Uppsala, более известен как автор книги Soccermatics). Оба автора принимают активное участие в развитие и популяризации математических методов и моделей, применяемых в футбольной аналитике. На youtube канале Friends of tracking можно найти много интересного и качественного контента от вышеупомянутых специалистов (правда только на английском языке).

Первоочередная цель данной статьи – предложить читателю адаптированный и несколько переработанный перевод оригинальной работы с дополнением некоторых деталей из других работ по данной тематике и выделением ключевых моментов и выводов, полученных авторами, основываясь на которых можно обозначить намечающиеся тренды в мире футбольной аналитики.

Ну что, поехали.