اندازه‌گیری تأثیر بازیکنان فوتبال بر جریان و پیچیدگی مسیر پاس‌های تیم با معیارهای مبتنی بر تحلیل شبکه‌های پیچیده

نوع مقاله : مقاله پژوهشی فارسی

نویسندگان

1 گروه نرم افزار، دانشگده مهندسی کامپیوتر، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران

2 گروه هوش مصنوعی، دانشکده مهندسی کامپیوتر، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران

چکیده

تحلیل علمی و دقیق مسابقات فوتبال، یکی از مهمترین نیازمندی‌های مربیان و آنالیزورها محسوب می‌شود. این مقاله، بر روی تحلیل پاس در مسابقات فوتبال متمرکز شده است و با به کارگیری تئوری‌های شبکه‌های پیچیده و شبکه‌های اجتماعی، معیارهای سطح بالاتر و دقیق‌تری در مقایسه با معیارهای سنتی مانند تعداد و دقت پاس، پیشنهاد کرده است. برای این منظور، ابتدا بر اساس داده‌های دقیقی که برای تمامی پاس‌های یک مسابقه ثبت شده‌اند، دو شبکه مختلف استخراج می‌شوند که شبکه اول شامل کل پاس‌های تیم برای تحلیل رفتار کلی تیم و شبکه دوم شامل پاس‌هایی هجومی برای تحلیل جریان هجومی تیم است. سپس بر اساس ساختار این شبکه‌ها، سه معیار کمی برای اندازه‌گیری سه پارامتر مهم در تحلیل پاس‌ پیشنهاد می‌شود که عبارتند از تحلیل میزان دسترس‌پذیری بازیکنان، اندازه‌گیری تاثیر بازیکنان در جریان پاس‌های تیم و تحلیل پیچیدگی مسیر پاس بین بازیکنان. این سه پارامتر مهم نقش کلیدی در پیدا کردن نقاط قوت و ضعف جریان پاس تیم‌ها دارند. در بخش نتایج، روش پیشنهادی بر روی داده‌های واقعی یک تیم در چند مسابقه متوالی اعمال شده است. بر اساس نتایج، رویکرد پیشنهادی قادر به تحلیل دقیق‌ تاثیر پاس بازیکنان در موفقیت تیم در حین یک مسابقه است.

کلیدواژه‌ها


 [1] FIFA. "2018 FIFA World Cup Russia™ Global broadcast and
audience summary,"
https://resources.fifa.com/image/upload/njqsntrvdvqv8ho1dag5.pdf
.
[2] R. Ievoli, L. Palazzo, and G. Ragozini, “On the use of passing
network indicators to predict football outcomes,”
Knowledge-Based
Systems,
vol. 222, pp. 106997, 2021/06/21/, 2021.
[3] K. Bray,
How to Score: Science and the Beautiful Game: Granta
Books, 2008.
[4] J. López Peña, and H. Touchette, “A network theory analysis of
football strategies,”
arXiv, pp. arXiv: 1206.6904, 2012.
[5] A. Joseph, N. Fenton, and M. Neil, “Predicting football results using
Bayesian nets and other machine learning techniques,”
Knowl.
Based Syst.,
vol. 19, no. 7, pp. 544-553, 2006.
[6] R. Rein, D. Raabe, and D. Memmert, “"Which pass is better?" Novel
approaches to assess passing effectiveness in elite soccer,”
Human
movement science,
vol. 55, pp. 172-181, 2017.
[7] E. Arriaza-Ardiles, J. A. Martin-Gonzalez, M. D. Zuniga
et al.,
“Applying graphs and complex networks to football metric
interpretation,”
Human movement science, vol. 57, pp. 236-243,
2018.
[8] S. P. Borgatti, M. G. Everett, and J. C. Johnson,
Analyzing social
networks
: Sage, 2018.
[9] J. M. Buldu, J. Busquets, and I. Echegoyen, “Defining a historic
football team: Using Network Science to analyze Guardiola’s FC
Barcelona,”
Scientific reports, vol. 9, no. 1, pp. 1-14, 2019.
[10] J. Duch, J. S. Waitzman, and L. A. N. Amaral, “Quantifying the
Performance of Individual Players in a Team Activity,”
PLOS ONE,
vol. 5, no. 6, pp. e10937, 2010.
[11] H. Sarmento, F. M. Clemente, E. Gonçalves
et al., “Analysis of the
offensive process of AS Monaco professional soccer team: A mixedmethod approach,”
Chaos, Solitons & Fractals, vol. 133, pp.
109676, 2020/04/01/, 2020.
[12] I. G. McHale, and S. Relton, “Identifying Key Players in Soccer
Teams using Network Analysis and Pass Difficulty,”
European
Journal of Operational Research,
vol. 268, no. 1, pp. 339-347, 2018.
[13] Y. Wu, Z. Xia, T. Wu
et al., “Characteristics and optimization of
core local network: Big data analysis of football matches,”
Chaos,
Solitons & Fractals,
vol. 138, pp. 110136, 2020/09/01/, 2020.
[14] R. Kooij, A. Jamakovic, F. Kesteren
et al., “The Dutch Soccer Team
as a Social Network,”
Connections, Vol. 29. No. 1, 2009, 2009.
[15] M. E. Newman, “The structure and function of complex networks,”
SIAM review, vol. 45, no. 2, pp. 167-256, 2003.
[16] Y. Cho, J. Yoon, and S. Lee, “Using social network analysis and
gradient boosting to develop a soccer win–lose prediction model,”
Engineering Applications of Artificial Intelligence, vol. 72, pp. 228-
240, 2018/06/01/, 2018.
[17] "Sepehr Company," 2020;
https://www.sepehrco.ir/.
[18] L. C. Freeman, “Centrality in social networks conceptual
clarification,”
Social Networks, vol. 1, no. 3, pp. 215-239,
1978/01/01/, 1978.
[19] U. Brandes, “On variants of shortest-path betweenness centrality and
their generic computation,”
Social Networks, vol. 30, no. 2, pp. 136-
145, 2008/05/01/, 2008.
[20] D. J. MacKay,
Information theory, inference and learning
algorithms
: Cambridge university press, 2003.
[21] J. Saramäki, M. Kivelä, J.-P. Onnela
et al., “Generalizations of the
clustering coefficient to weighted complex networks,”
Physical
Review E,
vol. 75, no. 2, pp. 027105, 2007.
[22] G. Fagiolo, “Clustering in complex directed networks,”
Physical
Review E,
vol. 76, no. 2, pp. 026107, 2007.
[23] T. Decroos, J. Van Haaren, V. Dzyuba
et al., "STARSS: a spatiotemporal action rating system for soccer," in Machine Learning and
Data Mining for Sports Analytics ECML/PKDD
2017 workshop,
2017, vol. 1971: Springer, pp. 11-20.