A Graph Neural Network deep-dive into successful counterattacks

要約

サッカーにおけるカウンターアタックとは、チームがボールを取り戻した後、守備状態から攻撃状態に移行するときに発生する、高速かつ強度の高い直接攻撃です。
目的は、相手チームが守備の形を取り戻す前に、最小限のパスで多くのグラウンドを動かし、ゴールを決める機会を作り出すことです。
この研究の目的は、性別に応じたグラフ ニューラル ネットワークを構築して、カウンター攻撃が成功する可能性をモデル化し、プロ サッカーでカウンター攻撃が成功する要因を明らかにすることです。
これらのモデルは、同期されたオンボール イベントと時空間 (ブロードキャスト) 追跡データの合計 20,863 フレームでトレーニングされます。
このデータセットは、MLS (2022 年)、NWSL (2022 年)、および国際サッカー (2020 ～ 2022 年) の 632 試合から派生しています。
このデータにより、性別固有のグラフ ニューラル ネットワークが、反撃の成功結果を予測する際に、アーキテクチャ的に同一の性別が曖昧なモデルよりも優れていることが実証されました。
Permutation Feature Importance を使用して、バイラインからバイラインへの速度、ゴールへの角度、ボールへの角度、サイドラインからサイドラインへの速度が、モデルのパフォーマンスに最も大きな影響を与えるノード特徴であることを示します。
さらに、プレーヤーの意思決定の改善点を特定するのに役立つ、無限のソリューション検索スペースをナビゲートする方法に関するいくつかの具体的な例を提供します。
この研究には、すべてのデータとコードを含むオープンソース リポジトリが付属しており、時空間データのグラフへの変換を簡素化するオープンソース Python パッケージも付属しています。
このパッケージは、このデータを使用したテスト、検証、トレーニング、予測も容易にします。
これにより、読者は私たちの研究をより簡単に再現し、改良できるようになります。

要約(オリジナル)

A counterattack in soccer is a high speed, high intensity direct attack that can occur when a team transitions from a defensive state to an attacking state after regaining possession of the ball. The aim is to create a goal-scoring opportunity by convering a lot of ground with minimal passes before the opposing team can recover their defensive shape. The purpose of this research is to build gender-specific Graph Neural Networks to model the likelihood of a counterattack being successful and uncover what factors make them successful in professional soccer. These models are trained on a total of 20863 frames of synchronized on-ball event and spatiotemporal (broadcast) tracking data. This dataset is derived from 632 games of MLS (2022), NWSL (2022) and international soccer (2020-2022). With this data we demonstrate that gender-specific Graph Neural Networks outperform architecturally identical gender-ambiguous models in predicting the successful outcome of counterattacks. We show, using Permutation Feature Importance, that byline to byline speed, angle to the goal, angle to the ball and sideline to sideline speed are the node features with the highest impact on model performance. Additionally, we offer some illustrative examples on how to navigate the infinite solution search space to aid in identifying improvements for player decision making. This research is accompanied by an open-source repository containing all data and code, and it is also accompanied by an open-source Python package which simplifies converting spatiotemporal data into graphs. This package also facilitates testing, validation, training and prediction with this data. This should allow the reader to replicate and improve upon our research more easily.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google