大數(shù)據(jù)應用于高水平足球比賽戰(zhàn)術分析的研究

昝登良

廣東工程職業(yè)技術學院公共課教學部，廣東 廣州 510520

1 足球比賽戰(zhàn)術的概念及內涵

根據(jù)牛津詞典，“戰(zhàn)術”指為達到特定目的而精心策劃的行動或策略。關于競技足球，活動的目的自然是贏得比賽，因此選擇合適的戰(zhàn)術對于賽前準備至關重要。按照經典實踐者的方法，戰(zhàn)術規(guī)定了集體運動如何控制空間、時間和個人行為而贏得比賽。

例如在球場上，某個特定的動作發(fā)生或球隊在進攻和防守時要占據(jù)一定的區(qū)域。相比之下，時間可以對一些變量進行描述，比如進攻的頻率和持續(xù)時間（控球）或者動作的啟動速度。可以按照參賽球員的數(shù)量進一步分為個人戰(zhàn)術、小組戰(zhàn)術、集體運動戰(zhàn)術和比賽戰(zhàn)術，這也是足球運動員通常采取的戰(zhàn)術方案。個人戰(zhàn)術是指在進攻和防守中，有球隊員和無球隊員的一對一較量。例如，防守隊員接近帶球人的方式可以被視為個人戰(zhàn)術的一部分。又如，防守隊員可以立即進攻帶球人并給他施加壓力，或者防守隊員可以集中精力阻擋在通道上傳遞的球。小組戰(zhàn)術描述了一個集體運動中各小組之間的配合，例如越位區(qū)域中的防守攔網。集體運動戰(zhàn)術描述了首選的進攻和防守集體運動隊形，以及隊形在球場上的位置。比賽戰(zhàn)術描述了球隊的比賽理念，如反攻或控球。最近的一項研究調查了德國德甲的控球恢復情況，結果表明，成功的球隊在失去控球后恢復控球的速度更快。

綜上所述，足球戰(zhàn)術描述了球員在球場上的微觀和宏觀的組織原則，包括從個人到集體的決策過程。為了確保在所有戰(zhàn)術層面上的成功行動，教練必須考慮球隊的狀態(tài)、對手的狀態(tài)，以及外部因素。因此，在策略中，既涉及先驗決策，也涉及比賽中的實時適應。集體運動戰(zhàn)術是由一個相互依賴的參數(shù)網絡形成的復雜控制過程，盡管上述方案遵循分層模式，但實際中的信息流確實是雙向的。因此，戰(zhàn)術可以解釋為一個復雜的結構組成了一個新的相互交織的依賴關系。

2 足球比賽戰(zhàn)術分析的數(shù)字模型發(fā)展

在進行控球類型的比賽時，Rampinini等[1]調查了不同跑步速度類別（站立到短跑）的總跑步距離和時間。結果顯示，對手的水平和比賽位置對比賽有顯著影響。因此，目前還不清楚如何將來自訓練和比賽的球員生理信息與集體運動戰(zhàn)術結合起來，個人技術表現(xiàn)與集體運動戰(zhàn)術之間還沒有聯(lián)系。傳統(tǒng)意義上，戰(zhàn)術分析依賴于基于平均統(tǒng)計和計數(shù)的符號分析方法。例如，指標包括傳球變量、控球、獲球或打法。傳統(tǒng)符號方法的主要局限性在于幾乎所有的相關信息都被丟失，供專業(yè)人員采納的信息有限。為了避免這樣的問題，越來越多的多變量方法被用來保留相關信息。

Almeida等[2]研究了不同得分模式對青少年球員獲球類型和位置、打法結構和防守狀態(tài)的影響。結果表明，當使用中鋒進球時，球的回球率較高，且大多數(shù)回球率是在防守三分之一的場地內定位球的結果。年輕球員在比賽方向上也產生了更多拉長的形狀，而年長球隊在垂直于比賽方向的方向上產生了更扁平的形狀。結果表明，當進攻隊控球時間較長時，得分方控球的優(yōu)勢比增加，他們從比賽最后三分之一開始進攻，或者用穿透性傳球來平衡防守。

Frencken等[3]使用19個績效指標來識別不同的進攻風格。結果表明，控球、側身傳球以及從防守三分位到進攻三分位的傳球相關的控球直接性等因素對確定比賽風格非常重要。

2.1 用于研究集體運動戰(zhàn)術的方法——集體運動重心法

球隊的行為重心即球隊中所有球員位置的幾何中心，被用來分析整個球隊的行為。該研究的結果表明，在比賽過程中，集體運動質心之間存在強耦合，質心間距發(fā)生變化和關鍵比賽事件（如射門）伴隨集體運動間耦合可變性而增加。通過計算近似熵，一種非線性時間序列測量技術進一步擴展了質心行為的研究，以量化時間序列數(shù)據(jù)的規(guī)律性，使用近似熵分析的結果表明，新球員在戰(zhàn)術訓練后，其質心行為規(guī)律性增加。

Goncalves等[4]使用近似熵調查了防守隊員、中場隊員和進攻隊員小組之間和內部的11人制比賽協(xié)調情況。結果表明，在專業(yè)球員組中，隨著對手數(shù)量的增加，集體運動行為相對于對手的規(guī)律性增加。雖然近似熵的應用越來越突出，但它所代表的集體運動中心的規(guī)則行為本身就是對集體運動行為的高度抽象的描述。然而，近年來，集體運動中心測度越來越多地被用來捕捉集體運動行為，并有許多有價值的應用被文獻報道。

2.2 用于集體運動戰(zhàn)術的方法——空間控制法

空間控制法主要是利用集體運動所有球員的凸殼計算出集體運動的表面積。這一研究的結果表明，與防守隊相比，進攻隊覆蓋了更大的表面積。與經驗不足的球員相比，經驗豐富的球員也覆蓋了更大的區(qū)域。

Fradua等[5]通過計算包圍所有場內球員的最大矩形除以球員人數(shù)，調查了11人制比賽中的單個球員所占面積。結果表明，當球進入中央球場區(qū)域時，個人比賽區(qū)域變小。此外，還可以使用Voronoi圖來研究空間控制，使用位置和單個球員之間的距離來確定控制空間，使用Voronoi圖的結果與集體運動表面積法的結果相似。

2.3 基于確定特定比賽區(qū)域的數(shù)值優(yōu)勢法

空間控制是足球戰(zhàn)術的一個核心方面，并進一步突出了足球比賽的動態(tài)性。新興研究集體運動戰(zhàn)術的分析方法是使用網絡方法研究集體運動傳球行為。這種方法的基本原理是將一個集體運動的球員建模為節(jié)點，并將他們之間的傳球作為加權頂點，其中兩個球員之間的傳球次數(shù)決定了權重。根據(jù)集體運動傳球行為的這種表現(xiàn)，能夠很容易地識別集體運動中的關鍵球員，因為他們與其他頂點的連接更多，同時頂點權重更大。

最近的網絡分析包括旁邊的球員信息及位置傳遞信息，能夠預測比賽結果和最終排名。將貝葉斯?jié)撛谀Ｐ头椒☉糜谖靼嘌赖谝痪郑?013—2014年）241場比賽的傳球網絡和傳球位置信息，所獲得的模型能夠自動識別不同集體運動的不同戰(zhàn)術模式。通過將獲得的戰(zhàn)術信息與進攻結合，能夠說明哪些特定的戰(zhàn)術模式在各隊中更有效。這些結果表明，通過傳球行為與空間信息相結合的球員動態(tài)，為分析優(yōu)秀足球運動員的戰(zhàn)術行為提供了一種有價值的新方法，與傳統(tǒng)的符號分析方法相比提供了更多的信息。

2.4 基于比賽位置數(shù)據(jù)的機器學習算法

機器學習算法允許通過從數(shù)據(jù)中構建一個先驗未知模型來識別大型數(shù)據(jù)集中的特定數(shù)據(jù)模式。雖然這種方法已經在體育研究中討論了一段時間，直到最近成功的使用才使其變得更加普遍。例如，利用整個英超賽季的位置數(shù)據(jù)應用期望最大化算法，可以自動識別球隊隊形。結果進一步顯示，球隊在客場比賽中使用了更多的防守陣型。使用兩步算法，只有在每個球員被分配了一個特定的角色之后才能確定陣型，排除了簡單地使用每個球員的ID來識別集體運動隊形的可能性。

Knauf等[6]使用時空核算法對軌跡進行聚類，允許從位置數(shù)據(jù)自動區(qū)分比賽啟動和得分機會，并利用一個特定的度量來比較進攻過程中軌跡之間的成對相似性，然后使用聚類算法將軌跡分組。同樣，研究者使用的算法的一個基本特征是軌跡之間的比較對參與者之間的排列是不變的。Kim等[7]利用空間跟蹤數(shù)據(jù)，應用時間核方法預測球在球場上的位置。通過球員的跑動方向計算流場，研究者能夠確定流場的收斂點，從而預測球的未來位置，具有很好的一致性。Hinton等[8]使用多尺度比較技術，結合事件數(shù)據(jù)類型和事件位置數(shù)據(jù)，自動識別導致目標的重復攻擊次序，多尺度比較技術允許相互比較不同長度的事件次序。Fernandez-navarro等[9]通過對比賽序列的聚類分析，能夠區(qū)分不同球隊的進攻打法。Montoliu等[10]應用了一種詞語袋算法對足球比賽視頻片段進行編碼，然后使用隨機森林分類器識別比賽模式，并將球場劃分為10個區(qū)域，計算了從2個完整足球比賽錄像中提取的短視頻序列中代表球員運動方向的光流。Grunz等[11]使用了分層動態(tài)控制的網絡特征圖，以自動識別集體運動構成。

綜上所述，大量的機器學習研究已經使用足球數(shù)據(jù)來研究戰(zhàn)術決策，但是目前尚不清楚小組隊形如何與球員的個人技戰(zhàn)術技能相互作用。很明顯，一支球隊中不同的戰(zhàn)術位置有不同的生理需求，因此沒有研究表明如何將這些信息與進攻和防守球隊使用的戰(zhàn)術隊形相結合。

在動態(tài)系統(tǒng)理論方法中，相空間是一個關鍵概念，它描述了從數(shù)學上描述系統(tǒng)所在空間的理論抽象，并能夠以有價值的方式捕捉系統(tǒng)的動態(tài)。目前關于集體運動比賽中適當相空間變量的建議差異很大。一種常見的方法是使用相對相位作為衡量指標來捕捉參與者之間的協(xié)調現(xiàn)象。高水平足球戰(zhàn)術比賽分析的挑戰(zhàn)之一是建立一個解釋性的理論模型，該模型能夠整合來自各個領域的信息，包括戰(zhàn)術、生理學和運動技能。人工智能研究的新方法可能為發(fā)展高水平足球戰(zhàn)術決策的理論模型提供了途徑。特別是深度學習網絡，在以前認為難以計算的建模領域正變得越來越強大。然而，這些方法依賴于大型訓練數(shù)據(jù)集來確定網絡參數(shù)，目前還沒有用于足球戰(zhàn)術分析。最近使用神經網絡的機器學習模型得到了擴展，允許在模型中加入先驗信息，這對于開發(fā)集體運動戰(zhàn)術行為建模的新方法非常重要。例如，從以上總結的研究中獲得的見解可用于約束網絡建模工作，同時允許生理、戰(zhàn)術和技能相關信息之間的聯(lián)系。因此，來自人工智能的現(xiàn)代算法可能被證明對高水平足球的戰(zhàn)術分析非常有用。

3 大數(shù)據(jù)應用于足球戰(zhàn)術分析的可行性分析

關于模型構建和各種數(shù)據(jù)源組合的潛在解決方案可能會因大數(shù)據(jù)技術的興起而呈現(xiàn)出來，這些技術已經被認為能夠創(chuàng)建高水平足球比賽戰(zhàn)術分析的特性。由于大數(shù)據(jù)現(xiàn)象相對較新，文章首先將對相關概念進行定義。目前還沒有普遍認同的大數(shù)據(jù)定義，大數(shù)據(jù)更多的是通過其特征來描述的。大數(shù)據(jù)的三個主要特征表現(xiàn)在體積、多樣性和速度三個方面。體積表示數(shù)據(jù)的大小，多樣性表示數(shù)據(jù)的異質性，速度表示數(shù)據(jù)生產率。關于足球戰(zhàn)術分析，這些概念可以通過以下方式映射。

（1）體積是指足球中數(shù)據(jù)集的大小。例如，通常使用可擴展標記語言編碼的位置數(shù)據(jù)集的范圍在86～300MB。一個完整的德甲賽季中占據(jù)位置、比賽和視頻數(shù)據(jù)將產生400GB的跟蹤數(shù)據(jù)。因此，數(shù)據(jù)量隨著包括例如生理或比賽數(shù)據(jù)的其他資源的增加而增加。使用Excel表格的常見解決方案不能很好地縮放這些數(shù)據(jù)，相比之下，大數(shù)據(jù)技術為存儲此類數(shù)據(jù)集提供了特定的解決方案，并通過特定的用戶界面和應用程序編程接口實現(xiàn)對這些數(shù)據(jù)集的訪問。

（2）多樣性是指不同的數(shù)據(jù)格式和數(shù)據(jù)源。多樣性可以進一步區(qū)分為結構化數(shù)據(jù)、半結構化數(shù)據(jù)和非結構化數(shù)據(jù)。結構化數(shù)據(jù)有一個明確預定義的模式來描述數(shù)據(jù)，結構化數(shù)據(jù)允許在數(shù)據(jù)中進行簡單的導航和搜索，其中關系數(shù)據(jù)庫系統(tǒng)就是典型的例子。相比之下，非結構化數(shù)據(jù)缺乏明確的模式，視頻數(shù)據(jù)和文本信息就是典型的例子。半結構化數(shù)據(jù)介于這兩個極端之間，由缺少預定義結構但可能具有可變模式的數(shù)據(jù)組成，該模式通常是數(shù)據(jù)本身的一部分，目前用于跟蹤數(shù)據(jù)的XML數(shù)據(jù)類型就是這方面的例子。因此，在足球比賽數(shù)據(jù)中，多樣性指的是位置、視頻、體能、訓練、技能表現(xiàn)，以及運動員健康記錄和人群數(shù)據(jù)附帶的符號元數(shù)據(jù)。由于數(shù)據(jù)訪問和數(shù)據(jù)處理模式因數(shù)據(jù)類型而異，大數(shù)據(jù)技術提供了特定的解決方案，以整合分布在這些數(shù)據(jù)中的信息。

（3）速度描述生成新數(shù)據(jù)的速度。在足球運動中，在訓練和比賽過程中，從生理和位置數(shù)據(jù)到符號分析的延遲數(shù)據(jù)的實時流之間的速度變化很大，而大數(shù)據(jù)技術可專門處理和存儲高速數(shù)據(jù)。

4 結束語

總而言之，將大數(shù)據(jù)技術應用于足球比賽戰(zhàn)術分析研究可能會為一些關鍵問題提供解決方案。通過提供新的數(shù)據(jù)分析方法和更為全面的理論模型，可以更好地理解高水平足球隊的戰(zhàn)術表現(xiàn)。然而，這意味著未來的足球研究將不得不采用更強有力的多學科方法。性能分析員、運動科學家、生物學家及專業(yè)人員必須共同努力，才能理解這些復雜的數(shù)據(jù)集。正如已經指出的，未來計算機和體育科學家之間的合作可能是以更相關的方式應用這些復雜方法的關鍵。反過來，越來越多地依賴更復雜的數(shù)據(jù)分析技術也將給未來的體育科學家?guī)硇碌奶魬?zhàn)。