[Paper] 足球中非持球防守角色与表现评估的机器学习框架

Source: arXiv - 2601.00748v1

概述

本文提出了一种新的机器学习流水线，用于量化足球防守球员在无球状态下的表现——尤其是在角球情形下。通过将协变量依赖的隐马尔可夫模型（CDHMM）与球员追踪数据相结合，作者能够自动推断出谁在盯防谁（人盯人 vs. 区域防守），并以符合每次进攻战术背景的方式分配防守贡献。

关键贡献

• 协变量依赖的 HMM 用于防守角色检测 – 一种无标签模型，直接从追踪数据中学习随时间变化的人盯人和区域分配。
• 基于角色的幽灵框架 – 一种反事实模拟，将防守球员的实际移动替换为遵循相同防守角色平均行为的“幽灵”，从而实现公平的性能比较。
• 防守贡献归因指标 – 一种新颖的方法，通过衡量防守球员相对于角色条件基线降低对手预期持球价值（EPV）的程度，量化无球防守影响。
• 针对角球的聚焦应用 – 利用定位球高度结构化的特性来验证该方法并展示可解释性。
• 开源实现 – 作者发布代码和处理后数据集，以促进可重复性和进一步研究。

方法论

1. Data collection – 高频（10 Hz）球员追踪和事件数据，来源于职业比赛，重点关注角球情形。
2. Feature engineering – 将每名防守球员的可观测协变量（位置、速度、与对手的距离、对球门的角度等）输入模型。
3. Covariate‑dependent HMM (CDHMM) – 与具有固定转移概率的标准 HMM 不同，CDHMM 根据当前协变量来决定状态转移，使模型能够捕捉战术变化（例如在球被传递时从区域防守切换到人盯人防守）。隐藏状态对应防守角色。
4. Inference – 采用针对协变量依赖性改进的 Viterbi 算法，得到每名球员在整个角球过程中的最可能防守角色序列。
5. Ghosting simulation – 对每名防守球员，依据学习得到的角色特定运动分布采样，生成一条“幽灵”轨迹，直观展示若该球员按该角色的典型行为会出现的情况。
6. Credit attribution – 通过标准的持球价值模型计算的 EPV（预期球权价值），比较真实情形与幽灵情形的差异，即可量化防守球员的无球贡献。

结果与发现

• 角色检测准确率 – CDHMM 在未使用任何标签进行训练的情况下，仍能以 > 85 % 的一致率匹配人工标注的防守任务。
• 可解释性 – 推断出的角色序列可视化结果与已知的战术模式相吻合（例如，防守球员在球远时保持区域防守，球接近时转为人盯人）。
• 防守贡献分配 – 基于 EPV 的贡献度量突出显示了那些即使从未触球仍能持续降低对手得分概率的防守球员。
• 反事实验证 – “幽灵”情景产生的 EPV 曲线在统计上与同角色的平均防守球员无显著差异，验证了基线的公平性。
• 案例研究 – 作者展示了具体的角球情形，防守球员的无球站位将对手的预期进球概率降低了最高 0.12 EPV 单位，这在胶着的比赛中产生了实质性影响。

实际意义

• 教练与球探 – 球队现在可以使用反映防守球员无球纪律性的指标来评估防守球员，从而在招聘和训练时更关注位置而非仅仅抢断或拦截。
• 性能仪表盘 – 该框架可以集成到现有的分析平台中，以在传统的持球统计旁展示防守贡献，从而提供更完整的球员价值图景。
• 实时比赛洞察 – 通过实时追踪，模型可以标记防守球员偏离预期角色的情况，使教练能够即时进行战术调整。
• 博彩与梦幻体育 – 更细化的防守指标能够为目前低估无球贡献的市场提供更好的球员估值模型。
• 可推广至其他定位球 – 虽然本研究聚焦于角球，但 CDHMM 架构可以适用于任意球、界外球，甚至是防守结构重要的开放式进攻阶段。

限制与未来工作

• 范围仅限于角球 – 设定球的高度结构化特性简化了角色推断；将其扩展到开放式进攻将需要处理更大的变异性和噪声。
• 依赖高质量追踪 – 该方法假设能够获取精确的高频位置数据，但这可能并非所有联赛或低级别赛事都能提供。
• 简化的幽灵分布 – 目前的幽灵模型从角色行为的高斯近似中采样；更丰富的生成模型（例如条件变分自编码器）可以捕捉更细微的战术差异。
• EPV模型的潜在偏差 – 防守贡献指标继承了底层控球价值模型中的任何偏差；未来工作应探索 EPV 与防守角色的联合学习。
• 用户友好工具 – 将研究代码转化为俱乐部可直接使用的分析插件仍是一个未解决的工程挑战。

总体而言，本文通过将“无形”的无球工作转化为可量化、可操作的洞察，推动了防守分析的前沿——这一进步可能重塑球队评估和培养防守人才的方式。

作者

• Sean Groom
• Shuo Wang
• Francisco Belo
• Axl Rice
• Liam Anderson

论文信息

• arXiv ID: 2601.00748v1
• 分类: cs.LG
• 出版日期: 2026年1月2日
• PDF: 下载 PDF