英超联赛 9693 个角球数据集：四大数据源，全方位收集特征信息

原始数据集包括 2020-21、2021-22 和 2022-23 赛季从英超联赛收集的 9,693 个角球，由以下 4 个数据源提供：

Space-time frame data，用于跟踪每场比赛中出现的所有球员和球的位置和速度。

事件流数据，用于注释相应跟踪框架中发生的事件或行为，例如传球、射门和进球。

Match team data （匹配团队数据），记录玩家的个人资料，包括他们的身高、体重和位置。

其他比赛数据，包括比赛日期、体育场信息以及场地长度和宽度。

研究人员对上述数据进行了筛选和过滤，最终还剩下 7,176 个有效角。数据被随机采样，以 8：2 的比例分为训练集和验证集，所有后续任务都以相同的方式拆分。

数据集地址：

实验方法：采用几何深度学习预测角球结果

角球情况图

首先，为了有效利用角球数据，研究人员对球员之间的隐含关系进行建模，并将角球形式转换为图形表示。每个节点代表一个玩家（包括位置、速度、身高等特征），边代表它们之间的关系，每个节点通过向邻居传递消息进行更新。

如何处理给定角球的示意图

然后，研究人员分析了如何处理给定的角球，使用几何深度学习并使用足球场的近似对称性为给定情况生成四种可能的反射（H-、V- 和 HV-）。其中，几何深度学习基于对称性，将几何属性嵌入机器学习中，更好地描述数据的内部结构和变化规律，提高算法的表示、泛化和泛化能力。

最后，所有四种反射组合都应用于角球区域中的图神经网络结构，并进一步馈送到 中。它由三个预测模型和生成模型 （ ） 组成，所有这些模型都使用相同的编码器-解码器架构。编码器在所有任务中的结构都相同，而解码器模型根据每个基准测试任务的需要生成相应形状的输出。这三个模型对应于本研究的三个基准任务，即接球预测、投篮预测和生成战术布局策略。

总之，在接收预测时，可以预测角球是否会以 71% 的准确率射门。在射门预测中，研究人员发现，防守队的平均射门概率从真实角球的 75% 左右下降到调整后的 69% 左右，进攻队的射门概率从 18% 左右增加到 31% 左右。

结论：4 个案例研究的实际有效性

为了评估实际效果，研究人员邀请了 5 名足球专家，包括 3 名数据科学家、1 名视频分析师和 1 名教练助理，结合 4 个案例对这两个案例的分析进行量化。

1. 生成的角球样本的真实性

（A.1） 指定分数的分布

（A.2） 分数值的直方图

首先，为了评估生成的调整的真实性，研究人员合成了一个数据集，并评估了生成的合成角和真实角之间的差异。

具体来说，研究人员为每个样本分配了一个分数，如果被人为地评为真，则为 +1，否则为 0。计算每个样本五名评价者的平均分数。结果发现，实际和生成的角之间的平均分没有显着差异 （z = -0.34，p > 0.05）。因此，生成的 样本是真实的。

z 和 p 是统计中常用的假设检验统计指标。

2. 预测接收者的可信度

（B.1） 前三个样本准确率的接收预测分布 （B.2） 每个样本平均分的相应直方图

其次，对于预测的接球手，如果前 3 次预测中至少有一个接球手，那么裁判将预测评分为 +1，否则评分为 0。

在对样本接收者的预测分数进行平均后，研究人员发现实际样本和生成样本之间预测接收者的平均评分没有统计学上的显着差异 （z = 0.97，p > 0.05）。

不同评估者在预测球方面的分数存在个体化差异，在这种情况下，保持前 3 名的高精度的能力表明其对预测接球者的任务具有高度信心。

3. 用于检索角的有效性

角球的有效相似度分数

第三，EA 对检索到的角点和参考角点进行相似性分析，如果角点相似，则分数为 +1，否则为 0。

最终发现，不同评估者之间的分数分布没有显着差异，这表明检索相似角球的有效性存在高度一致 （F1,4 = 1.01，p > 0.1）。

F1,4 和 p 是用于判断一致或无显著差异的统计指标。

4. 调整策略的有用性

调整建议的评分

最后，研究人员评估了这些建议在现实中对球员调整的实用性。具体来说，每个评论者都获得了 50 个战术调整以及相应的真实角落设置，每个设置都被评为战术显着改进 +1，显着使它们变得更糟 -1，并且没有显着差异 0。

结果发现，所有五名审稿人的平均分均为 0.7 ± 0.1。其中，人工审核员认为 90% 的建议是有利的。此外，他们的分数也高度一致 （F1,4 = 0.45，p > 0.05），表明这种有用性在人类专家中得到了普遍认可。

综上所述，这三个基准任务都能高效完成，其实在角球预测、回传和战术调整方面都是有效的。

打破传统足球模式，AI 成为新时代的“前锋”

未来学家和趋势观察家 Van 说：“对于这一代人来说，他们所做的一切和他们所体验的事物都与技术有关。为了保持体育对这一代人和子孙后代的吸引力，我们别无选择，只能继续整合技术。当我们把注意力放在足球世界的技术创新上时，不难发现，AI不仅是教练团队的秘密武器，还以其无处不在的影响力，悄然重塑着整个足球行业的布局。

从队员选拔，到日常训练，再到战术发展，我们可以在越来越多的环节中看到 AI。例如：

Al Rihla 的内置惯性测量单元专为 2022 年 FIFA 世界杯设计和制造，可准确检测球的踢点，并将球员肢体跟踪与球跟踪数据相结合，以检测越位进攻方是否触球。（点击这里查看详细报告：1 球 4 分，阿根廷失败背后的技术和无情）。

[]（）

该公司推出了一个 AI 辅助球探平台，打破了传统选拔机制的地理和资源限制，为球探提供足球运动员的运动、认知和技术能力数据，以便球探可以更准确地选择球员。

推出 AI ，该平台使用 AI 来识别和预测球员受伤，帮助运动员和教练在最佳运动和受伤风险之间找到最佳平衡。

该公司推出了人工智能辅助裁判平台，通过人工智能驱动的球跟踪、肢体跟踪和骨骼建模技术，将裁判的“锐眼”升级为“电子眼”，在关键传球时刻准确捕捉球员的肢体位置，帮助裁判做出更准确、更及时的决策。

从球员球探和伤病预防到裁判和教练，AI 已经遍布整个足球场，一个前所未有的足球智能时代即将到来。恐怕整个生态中各方的角色都需要得到更充分的考虑。

引用：