CN111898073A - 一种对传接球网络行为的分析方法 - Google Patents

一种对传接球网络行为的分析方法 Download PDF

Info

Publication number
CN111898073A
CN111898073A CN202010761561.9A CN202010761561A CN111898073A CN 111898073 A CN111898073 A CN 111898073A CN 202010761561 A CN202010761561 A CN 202010761561A CN 111898073 A CN111898073 A CN 111898073A
Authority
CN
China
Prior art keywords
passing
ball
receiving
network
player
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010761561.9A
Other languages
English (en)
Other versions
CN111898073B (zh
Inventor
孙士恩
李新民
孙东卫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Science and Technology
Original Assignee
Xian University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian University of Science and Technology filed Critical Xian University of Science and Technology
Priority to CN202010761561.9A priority Critical patent/CN111898073B/zh
Publication of CN111898073A publication Critical patent/CN111898073A/zh
Application granted granted Critical
Publication of CN111898073B publication Critical patent/CN111898073B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及行为分析技术领域，公开了一种对传接球网络行为的分析方法，包括以下步骤：S1、根据比赛中球员传接球时的坐标和传接球的方向构建传接球网络图，构建传接球网络模型；S2、获得多个球队评价特征；S3、获得多个球员评价特征；S4、根据多个球队评价特征和多个球员评价特征使用动态时间归整算法得到网络优化策略；S5、根据网络优化策略，对传接球网络图进行聚类演化，获得传接球网络行为的评价指标：正确聚类率；S6、根据网络行为评价指标分析传接球网络行为，这种对传接球网络行为的分析方法，能够实现传接球模式的识别和影响球队战术指标因素分析，提升了指标分析的可视化度和多样性。

Description

一种对传接球网络行为的分析方法
技术领域
本发明涉及传接球网络分析技术领域，特别涉及一种对传接球网络行为的分析方法。
背景技术
利用社会网络分析对足球比赛的传接球表现进行研究，改变以往以个体为分析单位的传统，研究的关注点转向球员之间传接球关系，有助于进一步深入研究比赛的传接球配合分析团体指标，但现有只有评估图或网络的特征来对比赛结果和球员的战术执行效率进行分析，没有全面考虑。
现有技术对网络进行分析所考虑的方面不全，对最终球队(或社会)网络的评估结果会有一定的误差，精准度会有一定的影响且在分析时需要引入大量的数据来进行对比验证分析是否可靠，对于现在的网络的分析模型所考虑的指标较少，我们引入了更多的评估指标来提升最后的网络有效性评估的准确度，且在相对较少的数据中可以提取出来精确度较高的评估分析报告，且比赛数据较少，用传统的分析指标进行分析对于战术有效度的判断会造成一定的影响。
发明内容
本发明提供一种对传接球网络行为的分析方法，能够实现传接球模式的识别和影响球队战术指标因素分析，提升了指标分析的可视化度和多样性。
本发明提供了一种对传接球网络行为的分析方法，包括以下步骤：
S1、根据比赛中球员传接球时的坐标和传接球的方向构建传接球网络图，根据传接球网络图识别网络模型，构建传接球网络模型；
S2、根据传接球网络模型，获得多个球队评价特征；
S3、根据传接球网络模型，获得多个球员评价特征；
S4、根据多个球队评价特征和多个球员评价特征使用动态时间归整DTW算法得到网络优化策略；
S5、根据网络优化策略，对传接球网络图进行聚类演化，获得传接球网络行为的评价指标：正确聚类率；
S6、根据网络行为评价指标分析传接球网络行为。
所述步骤S2中的多个球队评价特征包括：传接球网络的稳健性、传接球最短路径数目、中介中心性；
传接球网络的稳健性：通过传接球网络图中三角形的数量来评价传接球网络的稳健性；
传接球最短路径的数目:传接球网络图中所有节点传接球最短路径的数量:传接球网络图中两个节点之间传接球的平均距离为两个节点之间的传接球最短路径；
中介中心性：传接球网络图中一个节点担任其它两个节点之间最短路径的桥梁的次数；
Figure BDA0002613229760000021
σst表示球员传接球节点s到球员传接球节点t的最短路径数量，σst(v)表示球员传接球节点s到球员传接球节点t的最短路径中经过球员传接球节点ν的数量。
所述步骤S3中多个球员评价特征包括：
度中心性：用于度量每个球员的传接球特征来获取该球员在这个团队中的参与度；对于一个拥有g个节点(球员)的网络，节点i的度中心性是i与其它g-1个节点的直接联系总数，度中心性用矩阵计算表示如下：
Figure BDA0002613229760000031
其中C′B(Ni)表示节点(球员)i的度中心性。
中间中心性：中介中心性的球员角度衡量指标，用于度量给定球员完成连接其团队中任何其他两名球员的所需的次数；
计算公式如下：
Figure BDA0002613229760000032
从球员传接球节点x到球员传接球节点y的路径是指通过边连接一个节点序列，每一个节点连接了其前一个节点和后一个节点。σxy表示球员于传接球节点x到传接球节点y的传接球最短路径数量，σxy(u)表示球员u在球员传接球节点x到球员传接球节点y的最短路径中数量；
紧密中心性：用于衡量一名球员到达团队中其他任何球员所必须经过的最小步数；
计算公式为：
Figure BDA0002613229760000033
其中，n为传接球网络节点数目，d(v，u)为v，u两个节点最短距离；
特征向量中心性：用于度量传接球的网络强度，是团队传接球稳定性高低的标准；
计算公式为：
Ax＝λx
其中，A是具有特征值输入的构成传接球网络图的邻接矩阵，λ是最大特征值；
聚类系数：用于度量球员的整体表现，与任何三个球员之间创建的三角形数量有关；计算公式为：
Figure BDA0002613229760000041
Figure BDA0002613229760000042
如果deg(u)＜2，将cu指定为0，
Figure BDA0002613229760000043
均为传接球线路的边缘权重，T(u)为传接球网络矩阵，v，u，w为传接球三角形三个顶点。
所述步骤S4中根据多个球队特征和多个球员特征使用动态时间归整DTW算法得到网络优化策略的具体过程如下：
S41、D[i，j]是一个i×j矩阵，i、j为球员数量，计算公式：
Figure BDA0002613229760000044
其中，
Figure BDA0002613229760000045
为第i个球员的传接球相位为P1，
Figure BDA0002613229760000046
为第j个球员的传接球相位为P2，
其中，
Figure BDA0002613229760000047
为将传接球相位为P1的第i个球员与传接球相位为P2的第j个球员对齐，计算公式为：
Figure BDA0002613229760000048
Figure BDA0002613229760000049
为传接球相位为P1的第i个球员的x坐标，
Figure BDA00026132297600000410
为传接球相位为P1的第i个球员的y坐标，
Figure BDA00026132297600000411
为传接球相位为P2的第i个球员的x坐标，
Figure BDA00026132297600000412
为传接球相位为P2的第i个球员的y坐标；
S42、根据对齐处理后的传接球网路矩阵，计算传接球网络的稳健性、传接球最短路径数目、中介中心性、度中心性、中间中心性、紧密中心性、特征向量中心性和聚类系数，并进行排名，通过排名信息，得到传接球网络的优化策略，通过优化策略对传接球网络进行优化。
所述步骤S5中聚类演化的具体过程包括：
S51、根据优化后的传接球网络找到聚类的中心位置并进行变换运算，得到最优的聚类中心的变换情况，找到最优的聚类中心；
寻找过程如下：
输入：球员的数目n和包含n个球员之间的传接球数据；
输出：n个球员，使得所有球员与其距离最近的中心点的相异度总和最小；
相异度为球员与其距离最近的中心点的欧几里德距离：
Figure BDA0002613229760000051
d(X,Y)表示相异度，(x1,y1)到(xn-1,yn-1)为球员坐标，(xn,yn)为中心点坐标；
初始化：随机挑选n个球员中的k个球员作为中心点；
将其余的球员根据传接球距离划分至这k个类别中；
计算k个类别中每个球员的聚类系数，聚类系数最高的球员m为聚类中心点，聚类中心点以外的球员o为非聚类中心点；
计算每个类别中的损失值，损失值定义为：每个类别中所有非聚类中心到聚类中心点的距离的和与每个类别中交换m和o后到聚类中心点距离之和的差；
当有的类别的损失值减少时，交换聚类中心点m和非聚类中心点o，重新计算损失值：
如果总的损失值增加则不进行交换聚类中心点m和非聚类中心点o；
S52、对球员的传接球的距离，即传接球网络的边缘权值使用移动加权平均法进行变换处理，找到最优的平均传接球距离；
移动加权的计算公式如下：
移动加权平均单位量＝(从接球球员A到传接球球员B的线路长度+从传接球球员A方到接球球员B的线路长度)/(本场比赛A传接球数量+本场比赛A接球数量)
S53、对于S51、S52优化后的传接球网络模型进行球员球队性质的计算，步骤S2、S3和正确聚类率的计算，正确聚类率的计算方法：选取杰卡德相似Jaccard系数作为正确聚类率的评价指标，杰卡德相似Jaccard系数表示为：
Figure BDA0002613229760000052
其中，SS：比赛中传接球网络的稳健性、传接球最短路径数目、中介中心性、度中心性、中间中心性、紧密中心性、特征向量中心性和聚类系数达到预设数值的个数；SD：比赛中传接球网络的稳健性、传接球最短路径数目、中介中心性、度中心性、中间中心性、紧密中心性、特征向量中心性和聚类系数未达到预设数值的个数；DS：比赛中传接球网络的稳健性、传接球最短路径数目、中介中心性、度中心性、中间中心性、紧密中心性、特征向量中心性和聚类系数都未达到预设数值，即为8。
与现有技术相比，本发明的有益效果在于：
1、本发明提出的网络行为分析方法，建立球员传接球网络图进行分析，能够轻松地实现传接球模式的识别，获得影响球队的战术指标因素，提升了指标分析的可视化度和多样性。
2、使用较少的比赛数据，通过传接球网络模型中能够实现网络的自我学习，且能够快速地对球队战术进行分析，直观地得到每个球员的动态数据；
3、所得出的评价指标具有普遍性，不仅可以适用于足球也可分析社会或企业的问题。
附图说明
图1为本发明实施例提供的所有比赛的平均球员位置网络图。
图2为本发明实施例提供的单场比赛球员网络图。
图3为本发明实施例中提供的对于球员网络评价指标随比赛场次变化图。
图4为本发明实施例中提供的比赛双方球队传接球网络图特征比较图。
图5为本发明实施例中提供的球员持球坐标变化图。
图6为本发明实施例中提供的球员比赛时的跑动热点图。
图7为本发明实施例中提供的38场比赛中四个聚类演化的过程图。
图8为本发明实施例中提供的38场比赛中聚类中心位置的变化图。
图9为本发明实施例中提供的38场比赛中平均传接球距离变化图。
图10为本发明实施例中提供的38场比赛中第14场(主场4-0)，第2场(客场1-1)，第23场(客场0-4)的比赛分析图。
图11为本发明对传接球网络行为的分析方法的流程框图。
具体实施方式
下面结合附图1-11，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
1.在数据表中，提取球员的传接球坐标和传接球方向数据并计算球员的平均位置数据，即，将球员相对球场跑动的X坐标之和平均，将球员相对球场跑动的Y坐标之和平均。计算公式如下：
Figure BDA0002613229760000071
得到球员的平均位置。
如图1、2所示，给出了球队的传递网络图，图1所示，其中节点代表队员，边的粗细代表传接球的次数，箭头的指向代表传接球方向。在此基础上，建立出了每一场比赛的传接球网络图，这里以第一场比赛为例，在图2中，可以看出球员间传接球和接球的动态，互相间有较大差异。
2.球队的网络特征：网络结构的评价标准，我们在这里可以跟据三种网络的评价指标随比赛场次的变化趋势来评价战术，分别是：
评价网络的稳健性(transitivity)：寻找网络中三角形的数量。
传接球的最短路径(average shortest path length)：评价图中成员间的联系即定义为平均网络，即图1中节点和节点传接球的平均值为传接球最短距离。
中介中心性：一个节点担任其它两个节点之间最短路径的桥梁的次数。一个节点充当“中介”的次数越高，它的中介中心度就越大。
如果要考虑标准化的问题，可以用一个节点承担最短路径的桥梁的次数除以所有的路径数量。根据此定义，可以得出结论，如果某些球员具有较高的中介中心性，那么它们将对网络的结构产生重大影响，实际上，此类球员是保持比赛发展势头的关键。实际上，这些球员在球场上扮演着重要的角色，因为将他们从网络中删除会使团队从高绩效变成低绩效。
中介中心性的定义是在路径基础之上的。从球员传接球节点s到球员传接球节点t的路径是指通过边连接一个节点序列，每一个节点连接了其前一个节点和后一个节点。σst表示球员传接球节点s到球员传接球节点t的最短路径数量，σst(v)表示球员传接球节点s到球员传接球节点t的最短路径中经过球员传接球节点v的数量。
计算公式：
Figure BDA0002613229760000081
图3为比赛中球队的指标动态变化图，平均传接球距离和球队稳健性随比赛场次的变化图，从图3中可以看出平均传接球距离越短的比赛，球队的稳健性越高。
3.球员的传接球网络特征分析指标：度中心性，中间中心性，紧密中心性，特征向量中心性，聚类系数。
球员的传接球网络特征：以球员的角度来进行网络结构的评价，在这里根据五种网络的评价指标随比赛场次的变化趋势来评价战术，分别是：
度中心性(Degree Centrality)：度量每个球员的传接球特征来获取该球员在这个团队中的参与度，对于一个拥有g个节点(球员)的网络，节点i的度中心性是i与其它g-1个节点的直接联系总数，度中心性用矩阵表示如下：
Figure BDA0002613229760000082
其中C′B(Ni)表示节点(球员)i的度中心性。
紧密中心性(Closeness Centrality)：定义为距离的倒数，衡量一名球员到达团队中其他任何球员所必须经过的最小步数，此项分数指示球员与队友连接(通过传接球)的容易程度，此项得分高的球员在团队中被看成团队的“大脑”。
计算公式为：n为网络节点数目，d(u，u)为v，u两个节点最短距离，
Figure BDA0002613229760000091
特征向量中心性(Eigenvector Centrality)：度量了传接球的网络强度，因为它随节点和链接数量的增加而增加，在这项指标有较高值揭示了团队传接球网络的更高鲁棒性，这表明最终传接球失败的结果对队伍的影响较小，特征向量中心性是球队的团队传接球配合的稳定性高低的标准。
计算公式：
Ax＝λx
其中A是具有特征值输入的构成球员传接球网络图G的邻接矩阵。根据Perron-Frobenius定理，如果λ是最大特征值，则存在唯一且正解与邻接矩阵A的特征向量相关联。
中间中心性(Betweeness Centrality)：中介中心性的球员角度衡量指标，度量给定球员完成连接其团队中任何其他两名球员的所需的次数，此分数较高的球员可以认为是球队的传接球桥梁使球队的运转，这个分数较低且在某些球员的分布中差异可能是团队的配合均衡的传接球策略、战术有关，也可能跟球星不太依赖有关或球员没有很好的融入球队；
计算公式如下：
Figure BDA0002613229760000092
从球员传接球节点x到球员传接球节点y的路径是指通过边连接一个节点序列，每一个节点连接了其前一个节点和后一个节点。σxy表示球员于传接球节点x到传接球节点y的传接球最短路径数量，σxy(u)表示球员u在球员传接球节点x到球员传接球节点y的最短路径中数量。
聚类系数(Clustering Coefficient)：与任何三个球员之间创建的三角形数量有关，聚类系数是评价网络局部鲁棒性的指标。因为当存在连接三个节点(即球员)的三角形，并且两个节点之间的传接球链接丢失(即无法把球传递过去)时，此时存在三角形的其他两个节点到达另一个节点有其他的一种方法。在比赛中，聚类系数可确保三名球员之间的三角关系，聚类系数有较高值这表明三个球员间之间的配合比其对手更为熟练。
计算公式：
Figure BDA0002613229760000101
Figure BDA0002613229760000102
如果deg(u)＜2将cu指定为0，
Figure BDA0002613229760000103
均为传接球线路的边缘权重，T(u)为传接球网络矩阵，v，u，w为传接球三角形三个顶点。
通过上面的分析可以得到：图4为球员网络特征指标变化和对手指标变化对比图，箱型图中，箱型图最上横线为特征最大值，矩形上刻度为特征值的上四分位数，中间横线为特征值的中位数，矩形下刻度为特征值的下四分位数，最下横线为特征最小值，下方菱形小点为特征值的异常值。由于该队的度中心性低于对手的说明球员在比赛中的团队的参与度低于对手的团队参与度；中间中心性该队略高于对方，说明球队的传接球的传接球成功率较高；紧密中心性分析可得该队的部分球员传接球较好具有创造性、球员球商高于对面；特征向量中心性可以体现球队的配合的鲁棒性与对面相近，对面和该队的水平相对，对于对面战术的反战略战术制定有效度平衡，可以动态的改变战略调整战术。
根据分析的上述的5种特征：(1)度中心性衡量了每个球员的传接球特征从而帮助我们来研究队员的参与度；(2)中间中心性衡量了给定球员被其他球员所需的次数，根据分数的高低来研究团队的策略或战术；(3)紧密中心性衡量了球员与队友传接球的容易程度；(4)特征向量中心性衡量了传接球的网络强度，即球队传接球的稳定性高低的一种标准。(5)聚类系数衡量了球队传接球的鲁棒性，即面对对手多变的战术，球队战术的执行的效果受对手的干扰程度。
4.通过DTW算法来对传接球网络中的传接球线路的权值进行处理，结合前面分析得出的传接球网络中三个球员特征、五个球队特征，对传接球网络进行优化。
D[i，j]是一个i×j矩阵，i、j为球员数量，计算公式：
Figure BDA0002613229760000111
其中，
Figure BDA0002613229760000112
为第i个球员的传接球相位为P1，
Figure BDA0002613229760000113
为第j个球员的传接球相位为P2，
其中，
Figure BDA0002613229760000114
为将传接球相位为P1的第i个球员与传接球相位为P2的第j个球员对齐，计算公式为：
Figure BDA0002613229760000115
经过DTW算法对球员持球坐标的变化进行优化处理后可以分析球员的平均持球运动位置范围，可以得到如下图5；对球员比赛时的跑动热点进行分析，可以得到如图6对球员的拿球位置进行匹配分析，球员H的角色在每个触球位置相对于发现角色，突显出不同的角色和左翼右翼。由分析可以得到战术：我们有一个球员从右翼开始进攻然后在右边展开突破，然后转到左翼，我们得到两种不同类型的行为(即左翼和右翼的比赛)即可以得到该球队的进攻手段为：边路配合居多结合中路配合进攻手段多样化，左前锋时常回撤拿球，由数据也可得到前场射门多出现于右端。
通过DTW分析我们可以得到网络的边缘权值为网络的优化策略，例如在比赛中提升传接球的成功率可以减少网络的波动，加强三人配合来增强网络节点的紧密度，为下一步的聚类演化提供方向。
5.利用球员在比赛中的聚类指标变化说明战术的执行是否有效，结合球队一赛季38场比赛中的数据，配合球队和球员的评价指标进行分析，得到更全面的优化模型的效果过程如下：
聚类演化的过程是先找到聚类的中心的位置进行变换运算，得到最优的聚类中心的变换情况，找到最优的聚类中心，然后对球员的传接球的距离，即传接球网络的边缘权值进行变换处理，找到最优的平均传接球距离。
四个聚类演化的过程如图7，聚类中心位置随比赛场次的变化如图8，球员平均传接球距离随笔赛场次变化如图9所示，在聚类演化后我们得到了优化传接球网络，并对球员的聚类率进行再分析，分析过程如聚类系数分析，得出正确聚类率为评价球队战术的指标。
正确聚类率的计算方法：我们选取了杰卡德相似Jaccard系数作为正确聚类率的评价指标。
杰卡德相似Jaccard系数表示为：
Figure BDA0002613229760000121
其中，SS：比赛中传接球网络的稳健性、传接球最短路径数目、中介中心性、度中心性、中间中心性、紧密中心性、特征向量中心性和聚类系数达到预设数值的个数；SD：比赛中传接球网络的稳健性、传接球最短路径数目、中介中心性、度中心性、中间中心性、紧密中心性、特征向量中心性和聚类系数未达到预设数值的个数；DS：比赛中传接球网络的稳健性、传接球最短路径数目、中介中心性、度中心性、中间中心性、紧密中心性、特征向量中心性和聚类系数都未达到预设数值，即为8。
我们选取了38场比赛中第14场(主场4-0)，第2场(客场1-1)，第23场(客场0-4)，进行比赛分析：
如图10所示，显而易见，球队在第14场的比分为4-0主场大胜，球队的正确聚类率54.11％(如图10a)高于第2场客场1-1平局的22.30％(如图10b)和第23场0-4负客场的13.45％(如图10c)，说明球队的正确聚类率越高，球队的策略的执行就越有效，当然球队传统因素对比赛的战略也有影响，比如率先进球对球员心理的影响。
正确聚类率可以反应球队的战术执行的有效性，因此可以根据正确聚类率来改进比赛的战略，在以后的比赛或通过训练中来改善球队和球员的稳健性、传接球最短路路径数目、中介中心性、度中心性、中间中心性、紧密中心性、特征向量中心性、聚类系数八个指标的大小，来使球队的正确聚类率提升达到比赛结果的最优化，提升团队绩效。
在社会或企业的发展和创建中我们也可以考虑以上网络特征，动态的改变调整这些使社会或企业的正确聚类率使绩效得到最大化的提升。
本发明不仅只分析了传统的评判网络特性的指标或只分析了网络特征对社会网络问题进行评判，将这两点结合分析并引入深层影响因素共同判断政策对社会网络的有效性；
本发明提出了正确聚类率作为判断政策对网络的影响的指标。
1、本发明提出的网络行为分析方法，建立球员传接球网络图进行分析，能够轻松地实现传接球模式的识别，获得影响球队的战术指标因素，提升了指标分析的可视化度和多样性。
2、使用较少的比赛数据，通过传接球网络模型中能够实现网络的自我学习，且能够快速地对球队战术进行分析，直观地得到每个球员的动态数据；
3、所得出的评价指标具有普遍性，不仅可以适用于足球也可分析社会或企业的问题。
4.相比传统的分析方案更具有动态性和可视化性。
以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (4)

1.一种对传接球网络行为的分析方法，其特征在于，包括以下步骤：
S1、根据比赛中球员传接球时的坐标和传接球的方向构建传接球网络图，根据传接球网络图识别网络模型，构建传接球网络模型；
S2、根据传接球网络模型，获得多个球队评价特征；
S3、根据传接球网络模型，获得多个球员评价特征；
S4、根据多个球队评价特征和多个球员评价特征使用动态时间归整算法得到网络优化策略；
S5、根据网络优化策略，对传接球网络图进行聚类演化，获得传接球网络行为的评价指标：正确聚类率；
S6、根据网络行为评价指标分析传接球网络行为。
2.如权利要求1所述的对传接球网络行为的分析方法，其特征在于，所述步骤S2中的多个球队评价特征包括：传接球网络的稳健性、传接球最短路径数目、中介中心性；
传接球网络的稳健性：通过传接球网络图中三角形的数量来评价传接球网络的稳健性；
传接球最短路径的数目:传接球网络图中所有节点传接球最短路径的数量:传接球网络图中两个节点之间传接球的平均距离为两个节点之间的传接球最短路径；
中介中心性：传接球网络图中一个节点担任其它两个节点之间最短路径的桥梁的次数；
Figure FDA0002613229750000011
σst表示球员传接球节点s到球员传接球节点t的最短路径数量，σst(v)表示球员传接球节点s到球员传接球节点t的最短路径中经过球员传接球节点v的数量。
3.如权利要求2所述的对传接球网络行为的分析方法，其特征在于，所述步骤S3中多个球员评价特征包括：
度中心性：用于度量每个球员的传接球特征来获取该球员在这个团队中的参与度；对于一个拥有g个节点(球员)的网络，节点i的度中心性是i与其它g-1个节点的直接联系总数，度中心性用矩阵计算表示如下：
Figure FDA0002613229750000021
其中C′B(Ni)表示节点(球员)i的度中心性；
中间中心性：中介中心性的球员角度衡量指标，用于度量给定球员完成连接其团队中任何其他两名球员的所需的次数；
计算公式如下：
Figure FDA0002613229750000022
从球员传接球节点x到球员传接球节点y的路径是指通过边连接一个节点序列，每一个节点连接了其前一个节点和后一个节点，σxy表示球员于传接球节点x到传接球节点y的传接球最短路径数量，σxy(u)表示球员u在球员传接球节点x到球员传接球节点y的最短路径中数量；
紧密中心性：用于衡量一名球员到达团队中其他任何球员所必须经过的最小步数；
计算公式为：
Figure FDA0002613229750000023
其中，n为传接球网络节点数目，d(v,u)为v,u两个节点最短距离；
特征向量中心性：用于度量传接球的网络强度，是团队传接球稳定性高低的标准；
计算公式为：
Ax＝λx
其中，A是具有特征值输入的构成传接球网络图的邻接矩阵，λ是最大特征值；
聚类系数：用于度量球员的整体表现，与任何三个球员之间创建的三角形数量有关；计算公式为：
Figure FDA0002613229750000031
Figure FDA0002613229750000032
如果deg(u)<2，将cu指定为0，
Figure FDA0002613229750000033
均为传接球线路的边缘权重，T(u)为传接球网络矩阵，v,u,w为传接球三角形三个顶点。
4.如权利要求3所述的对传接球网络行为的分析方法，其特征在于，所述步骤S4中根据多个球队特征和多个球员特征使用动态时间归整算法得到网络优化策略的具体过程如下：
S41、D[i,j]是一个i×j矩阵,i、j为球员数量，计算公式：
Figure FDA0002613229750000034
其中，
Figure FDA0002613229750000035
为第i个球员的传接球相位为P1，
Figure FDA0002613229750000036
为第j个球员的传接球相位为P2，
其中，
Figure FDA0002613229750000037
为将传接球相位为P1的第i个球员与传接球相位为P2的第j个球员对齐，计算公式为：
Figure FDA0002613229750000038
Figure FDA0002613229750000039
为传接球相位为P1的第i个球员的x坐标，
Figure FDA00026132297500000310
为传接球相位为P1的第i个球员的y坐标，
Figure FDA00026132297500000311
为传接球相位为P2的第i个球员的x坐标，
Figure FDA00026132297500000312
为传接球相位为P2的第i个球员的y坐标；
S42、根据对齐处理后的传接球网路矩阵，计算传接球网络的稳健性、传接球最短路径数目、中介中心性、度中心性、中间中心性、紧密中心性、特征向量中心性和聚类系数，并进行排名，通过排名信息，得到传接球网络的优化策略，通过优化策略对传接球网络进行优化。
所述步骤S5中聚类演化的具体过程包括：
S51、根据优化后的传接球网络找到聚类的中心位置并进行变换运算，得到最优的聚类中心的变换情况，找到最优的聚类中心；
寻找过程如下：
输入：球员的数目n和包含n个球员之间的传接球数据；
输出：n个球员，使得所有球员与其距离最近的中心点的相异度总和最小；
相异度为球员与其距离最近的中心点的欧几里德距离：
Figure FDA0002613229750000041
d(X,Y)表示相异度，(x1,y1)到(xn-1,yn-1)为球员坐标，(xn,yn)为中心点坐标；
初始化：随机挑选n个球员中的k个球员作为中心点；
将其余的球员根据传接球距离划分至这k个类别中；
计算k个类别中每个球员的聚类系数，聚类系数最高的球员m为聚类中心点，聚类中心点以外的球员o为非聚类中心点；
计算每个类别中的损失值，损失值定义为：每个类别中所有非聚类中心到聚类中心点的距离的和与每个类别中交换m和o后到聚类中心点距离之和的差；
当有的类别的损失值减少时，交换聚类中心点m和非聚类中心点o，重新计算损失值：
如果总的损失值增加则不进行交换聚类中心点m和非聚类中心点o；
S52、对球员的传接球的距离，即传接球网络的边缘权值使用移动加权平均法进行变换处理，找到最优的平均传接球距离；
移动加权的计算公式如下：
移动加权平均单位量＝(从接球球员A到传接球球员B的线路长度+从传接球球员A方到接球球员B的线路长度)/(本场比赛A传接球数量+本场比赛A接球数量)
S53、对于S51、S52优化后的传接球网络模型进行球员球队性质的计算，步骤S2、S3和正确聚类率的计算，正确聚类率的计算方法：选取杰卡德相似Jaccard系数作为正确聚类率的评价指标，杰卡德相似Jaccard系数表示为：
Figure FDA0002613229750000051
其中，SS：比赛中传接球网络的稳健性、传接球最短路径数目、中介中心性、度中心性、中间中心性、紧密中心性、特征向量中心性和聚类系数达到预设数值的个数；SD：比赛中传接球网络的稳健性、传接球最短路径数目、中介中心性、度中心性、中间中心性、紧密中心性、特征向量中心性和聚类系数未达到预设数值的个数；DS：比赛中传接球网络的稳健性、传接球最短路径数目、中介中心性、度中心性、中间中心性、紧密中心性、特征向量中心性和聚类系数都未达到预设数值，即为8。
CN202010761561.9A 2020-07-31 2020-07-31 一种对传接球网络行为的分析方法 Active CN111898073B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010761561.9A CN111898073B (zh) 2020-07-31 2020-07-31 一种对传接球网络行为的分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010761561.9A CN111898073B (zh) 2020-07-31 2020-07-31 一种对传接球网络行为的分析方法

Publications (2)

Publication Number Publication Date
CN111898073A true CN111898073A (zh) 2020-11-06
CN111898073B CN111898073B (zh) 2022-03-15

Family

ID=73183485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010761561.9A Active CN111898073B (zh) 2020-07-31 2020-07-31 一种对传接球网络行为的分析方法

Country Status (1)

Country Link
CN (1) CN111898073B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800253A (zh) * 2021-04-09 2021-05-14 腾讯科技（深圳）有限公司 数据聚类方法、相关设备及存储介质
CN115358686A (zh) * 2022-10-24 2022-11-18 深圳联友科技有限公司 整车物流网络的优化方法、装置及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150066448A1 (en) * 2013-08-28 2015-03-05 Disney Enterprises, Inc. Method and device for tracking sports players with context-conditioned motion models
CN109087009A (zh) * 2018-08-07 2018-12-25 重庆大学 基于社会网络动态攻击的历史文化名镇保护分析方法
CN110377641A (zh) * 2019-07-24 2019-10-25 国网山东省电力公司鲁能体育文化分公司 一种基于大数据的足球比赛传球标准指标模型及其构建方法和应用
CN110826539A (zh) * 2019-12-09 2020-02-21 浙江大学 一种基于足球比赛视频的足球传球的可视化分析系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150066448A1 (en) * 2013-08-28 2015-03-05 Disney Enterprises, Inc. Method and device for tracking sports players with context-conditioned motion models
CN109087009A (zh) * 2018-08-07 2018-12-25 重庆大学 基于社会网络动态攻击的历史文化名镇保护分析方法
CN110377641A (zh) * 2019-07-24 2019-10-25 国网山东省电力公司鲁能体育文化分公司 一种基于大数据的足球比赛传球标准指标模型及其构建方法和应用
CN110826539A (zh) * 2019-12-09 2020-02-21 浙江大学 一种基于足球比赛视频的足球传球的可视化分析系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800253A (zh) * 2021-04-09 2021-05-14 腾讯科技（深圳）有限公司 数据聚类方法、相关设备及存储介质
CN115358686A (zh) * 2022-10-24 2022-11-18 深圳联友科技有限公司 整车物流网络的优化方法、装置及存储介质
CN115358686B (zh) * 2022-10-24 2023-02-03 深圳联友科技有限公司 整车物流网络的优化方法、装置及存储介质

Also Published As

Publication number Publication date
CN111898073B (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
Kashan League championship algorithm: a new algorithm for numerical function optimization
Pappalardo et al. Quantifying the relation between performance and success in soccer
Loeffelholz et al. Predicting NBA games using neural networks
CN111898073B (zh) 一种对传接球网络行为的分析方法
CN109513215A (zh) 一种对象匹配方法、模型训练方法以及服务器
Dicerbo et al. Detecting player goals from game log files
Clemente et al. Network structure and centralization tendencies in professional football teams from Spanish La Liga and English Premier Leagues
Sargent et al. Evaluating Australian football league player contributions using interactive network simulation
Lames Chance involvement in goal scoring in football–an empirical approach
Munivrana et al. Determining the structure and evaluating the role of technical-tactical elements in basic table tennis playing systems
Dey et al. Network centrality based team formation: A case study on T-20 cricket
KR102513635B1 (ko) 축구 선수 추천 방법 및 장치
CN112766546A (zh) 一种基于机器学习的足球比赛胜负实时预测方法
Chatterjee et al. Take that jam! An analysis of winning percentage for NBA teams
Blaikie et al. NFL & NCAA football prediction using artificial neural networks
Leser et al. Finding efficient strategies in 3-versus-2 small-sided games of youth soccer players
Morillo-Baro et al. Finalization actions of the finalist teams in the Soccer World Cup 2018: a study with Polar Coordinates
Immler et al. Guardiola, Klopp, and Pochettino: The purveyors of what? The use of passing network analysis to identify and compare coaching styles in professional football
Shahriar et al. Player classification technique based on performance for a soccer team using machine learning algorithms
Tilp et al. Analysis of tactical defensive behavior in team handball by means of artificial neural networks
Manuel Clemente et al. Technical accuracy it is associated with prominence levels in basketball?
Berman et al. Temporal match analysis and recommending substitutions in live soccer games
Li Football team cooperation strategy based on directional weighted network
Baykal et al. Supervised learning in football game environments using artificial neural networks
Li et al. Nonlinear Random Matrix Model and Research for Quantitative Representation of Volleyball Attacker’s Action Links

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant