DONNÉES ET TECHNOLOGIE DE FOOTBALL POUR L'ANALYSE DES MATCHS
1. Introduction aux données et technologie pour l'analyse des matchs de football
Les sociétés de sports d'équipe d'élite investissent des ressources substantielles pour analyser les performances de leur propre équipe ainsi que celles des équipes adverses. Divers aspects et plusieurs sources de données sont des descripteurs importants de ces performances. En fonction des données disponibles, différentes tâches d'analyse peuvent être exécutées. Les analystes ne veulent généralement pas seulement avoir des informations sur le quoi (par exemple, «l'équipe A a gagné contre l'équipe B» ou «le joueur X a passé plus souvent que le joueur Y»), mais souhaitent plutôt rechercher les raisons de ces faits. Il est nécessaire de comprendre pourquoi un certain mouvement s'est produit et quels ont été les facteurs d'influence [20]. Dans le football, les compétences tactiques et les processus cognitifs sous-jacents à la prise de décision sont considérés comme des conditions essentielles pour l'excellence des performances sportives. Lors d'un match, plusieurs situations dont la fréquence, l'ordre chronologique et la complexité ne peuvent pas être prédits émerger, exigeant de grandes capacités d'adaptation et de réponse immédiate des joueurs et des équipes basées sur les concepts d'opposition qui sont présents dans chaque phase du jeu [9] (1997). Ces situations d'opposition sont si évidentes dans un match de football que l'on peut observer la tactique à travers l'organisation spatiale des joueurs sur le terrain au vu des circonstances du match en ce qui concerne les mouvements du ballon et les alternatives d'action des coéquipiers et des adversaires. [6] (2007). Cette forme de compréhension des tactiques met un accent particulier sur les mouvements et le positionnement sur le terrain en soulignant la capacité des joueurs à occuper et / ou à créer des espaces libres selon les principes tactiques les plus appropriés pour ce moment donné.
En raison de ces caractéristiques, les principes tactiques doivent être compris, classés et présentés au sein des équipes, des lignes et des comportements des joueurs pendant un match, afin que leur application facilite la réalisation des objectifs qui mènent à marquer ou à éviter des buts. Individuellement, l'application des principes tactiques met en évidence la prise de décision du joueur, sa capacité à couvrir le terrain, à passer et recevoir le ballon, à appliquer et à résister à la pression. Concernant les lignes, il est fondamental de maintenir l'équilibre de l'équipe en réponse aux changements dans les formations, de coordonner les mouvements avec les coéquipiers, d'autre part la capacité de pénétrer les adversaires jouant entre les lignes et de déstabiliser l'organisation (jeu positionnel). Collectivement, l'application des principes tactiques aide l'équipe à mieux contrôler le jeu et la couverture du terrain, à maintenir la possession du ballon, effectuer des variations de circulation du ballon pour limiter le pressage, changer le rythme du jeu et matérialiser des actions tactiques visant à briser l'équilibre des adversaires et, par conséquent, marquer plus facilement un but [24] (1980), [1] (2006 ). Par conséquent, plus l'application des principes tactiques est adaptée et qualifiée, meilleure sera la performance tactique de l'équipe ou du joueur dans le match. Compte tenu de l'importance des principes tactiques pour l'organisation et la performance de l'équipe sur le terrain de jeu, [4] vise à contribuer à la définition, tant au niveau conceptuel qu'opérationnel, des principes tactiques du jeu de football, à proposer l'ajout de deux principes tactiques fondamentaux et mettre en évidence leurs applications pratiques dans les phases offensive et défensive du jeu [4].
2 Données de correspondance
Dans le monde du football professionnel, les analyses de performance concernant le niveau de compétence d'un joueur et la tactique globale d'un match contribuent au succès d'une équipe. Ces analyses sont possibles grâce à la grande quantité de données de plus en plus disponibles au cours de la dernière décennie. Les équipes de football d'élite ont généralement des données d'événements sur le jeu d'une part et des données de position sur le jeu d'autre part. Partant de ces hypothèses, l'essor des technologies du Big Data façonne l'avenir de l'analyse des performances dans le football d'élite.
2.1 Données d'événements
Les jeux de sport peuvent être décrits par une séquence ordonnée d'événements. Nous définissons les événements comme des actions pertinentes au match et se déroulant pendant le match. Les événements sont généralement dérivés des données de mouvement par analyse vidéo automatique; des annotations manuelles sont également possibles et effectuées de manière professionnelle par certains fournisseurs de données. Cette opération prend du temps et est sujette à des erreurs. D'un point de vue technique, les événements sont des occurrences horodatées de catégories précédemment connues et définies, éventuellement annotées avec des coordonnées spatiales ou des informations supplémentaires en tant qu'acteurs impliqués. La plupart des événements seront directement liés au ballon et correspondent à des actions avec le ballon (par exemple, des passes ou des dribbles). D'autres événements peuvent dépendre du temps (par exemple, le début et la fin d'une période de jeu) ou ne pas être directement dépendants du ballon (par exemple, une situation de faute pendant un coup franc). Il existe une multitude de méthodes pour détecter de tels événements (en fait trop pour les lister ici) allant de l'annotation manuelle aux systèmes entièrement automatisés [22], [23]. Dans la pratique, les événements peuvent manquer de précision, car ils sont généralement annotés manuellement ou une reconnaissance entièrement automatique peut produire des événements faussement positifs et négatifs.
La société Opta, par exemple, fournit commercialement des données d'événements. Comme les données d'événements contiennent principalement des informations sur les joueurs interagissant avec le ballon, les données d'événements nous permettent de réaliser des statistiques de jeu globales (par exemple, les réseaux de passes, la précision des passes ou le temps entre la prise du ballon et le tir sur la cible) [20]. car ils sont généralement annotés manuellement ou une reconnaissance entièrement automatique peut produire des événements faussement positifs et négatifs. La société Opta, par exemple, fournit commercialement des données d'événements. Comme les données d'événements contiennent principalement des informations sur les joueurs interagissant avec le ballon, les données d'événements nous permettent de réaliser des statistiques de jeu globales (par exemple, les réseaux de passes, la précision des passes ou le temps entre la prise du ballon et le tir sur la cible) [20]. car ils sont généralement annotés manuellement ou une reconnaissance entièrement automatique peut produire des événements faussement positifs et négatifs. La société Opta, par exemple, fournit commercialement des données d'événements. Comme les données d'événements contiennent principalement des informations sur les joueurs interagissant avec le ballon, les données d'événements nous permettent de réaliser des statistiques de jeu globales (par exemple, les réseaux de passes, la précision des passes ou le temps entre la prise du ballon et le tir sur la cible) [20].
Opta [16] dispose d'une liste cohérente et établie de longue date de «définitions d'événements» dans le football qui sont respectées dans tous les centres de collecte de données et qui sont reconnues comme une norme de facto. Ces données sont collectées de manière organisée et cela aide à la création d'ensembles de données utiles pour divers domaines de recherche tels que l'exploration de données, l'analyse sportive et les requêtes de préférences continues. Les données F24 sont un flux codé dans le temps qui répertorie tous les événements d'action des joueurs dans le jeu avec un joueur, une équipe, un type d'événement, une minute et une seconde pour chaque action. Chaque événement a une série de qualificatifs le décrivant.
2.2 Données de position pour l'analyse des matchs de football
Les données de position (suivi) du ballon et des joueurs sont suivies automatiquement par des caméras ou via des capteurs [17]. Les emplacements sont généralement mesurés par des systèmes de coordonnées locaux en référence au terrain de jeu. Ces mesures contiennent au minimum les coordonnées x et y et parfois aussi la coordonnée z. Il existe différents fournisseurs partout dans le monde. Nous listons ici les plus utilisés. Le système de suivi STATS SportVU [18] fournit des statistiques de performance en extrayant et en traitant les coordonnées des joueurs (X, Y) et du ballon (X, Y, Z) à travers des caméras HD ainsi que des logiciels sophistiqués et des algorithmes statistiques. STATS Les données de vitesse, de distance et de possession de SportVU fournissent des informations et des points d'analyse clés pour les clubs de football professionnels. Contrairement à d'autres systèmes de suivi, STATS SportVU peut suivre tous les joueurs sur le terrain, pas seulement ceux d'une équipe. ChyronHego [3] propose des solutions de suivi à deux joueurs, optiques et portables, comprenant trois catégories différentes de méthodes de collecte de données - optique, GPS et RF. ChyronHego est le seul fournisseur à offrir les trois types de collecte de données, et d'une manière qui permet de manière unique un ensemble de données commun et partageable dans l'écosystème de suivi sportif de nos clients. La dernière innovation introduite sur le marché par ChyronHego est TRACAB Gen5. Il utilise un système distribué de caméras installées autour du terrain de jeu et une technologie de traitement d'image avancée pour capturer et fournir des données de suivi en temps réel sur les mouvements de chaque joueur, des arbitres et du ballon.
TRACAB Gen5 comprend une toute nouvelle architecture de caméras distribuées dans laquelle les caméras peuvent être déployées des deux côtés du terrain et derrière chaque objectif pour capturer l'action sous quatre angles. Grâce à la flexibilité du système offrant plusieurs vues de caméra, la Gen5 est capable de suivre chaque objet sur le terrain à une résolution beaucoup plus élevée. La précision des identités des joueurs est encore améliorée grâce aux capacités d'IA de TRACAB Gen5, qui permettent au système de reconnaître et de distinguer les numéros de joueurs et les couleurs des maillots sous n'importe quel angle. À partir d'un match de football typique, les positions des 22 joueurs et du ballon peuvent être enregistrées 25 fois par seconde, ce qui donne environ 135 000 ensembles de données. Sans assistance informatique, il est presque impossible d'extraire des informations pertinentes des données complètes [10]. qui permettent au système de reconnaître et de distinguer les numéros de joueurs et les couleurs des maillots sous n'importe quel angle. À partir d'un match de football typique, les positions des 22 joueurs et du ballon peuvent être enregistrées 25 fois par seconde, ce qui donne environ 135 000 ensembles de données. Sans assistance informatique, il est presque impossible d'extraire des informations pertinentes des données complètes [10]. qui permettent au système de reconnaître et de distinguer les numéros de joueurs et les couleurs des maillots sous n'importe quel angle. À partir d'un match de football typique, les positions des 22 joueurs et du ballon peuvent être enregistrées 25 fois par seconde, ce qui donne environ 135 000 ensembles de données. Sans assistance informatique, il est presque impossible d'extraire des informations pertinentes des données complètes [10].
3 Modélisation et classification des données pour l'analyse des matchs de football
Afin de produire des analyses avancées, la première tâche à accomplir est la modélisation des données. D'une manière générale, la modélisation consiste à structurer le problème de l'analyse du sport, en prescrivant quels aspects sont importants pour l'analyse. Les données de position sont le point de départ. Ces données peuvent éventuellement être couplées et intégrées avec des données d'événements, en particulier pour détecter des événements comme des cartes qui ne sont pas reconnaissables à partir de données de position uniquement. Nous appelons événements élémentaires quelque chose qui se produit, ou est considéré comme se produisant, décrivant le comportement d'un joueur ou d'un groupe de joueurs. Il est possible de classer les événements élémentaires, en utilisant des règles géométriques simples ou des techniques d'apprentissage automatique plus avancées basées sur des réseaux de neurones. La première approche est plus immédiate à mettre en œuvre mais plus sensible pour le fournisseur de données de suivi: ie si le système de suivi ne suit pas directement la balle, la trajectoire de la balle est linéaire lors des transferts puis les passes sont identifiées simplement; si le système de pistage suit à la fois le ballon et les joueurs, les transferts sont plus difficiles à détecter car la trajectoire tremble. La deuxième approche est plus robuste mais elle a besoin des données de position de milliers de correspondances, qui ne sont pas disponibles pour la majeure partie des chercheurs. Ces deux approches permettent d'obtenir une description structurée du jeu dans les événements élémentaires - comme la conduction, les passes, les centres, les tirs, les buts, les remises en jeu, les coups de pied de but, les plaqués - mais aussi une description des mouvements du joueur ou du groupe de joueurs. 3.1 Approche géométrique Tovinkere [22] montre un excellent exemple de la première approche. Il présente une méthode pour détecter les événements sémantiques qui peuvent se produire dans un match de football. Leur méthode nécessite les informations de position des joueurs et du ballon comme entrée. Sur la base des données de suivi, le procédé détecte une large gamme d'actions de joueurs et d'événements de jeu en utilisant un ensemble de règles heuristiques qui sont dérivées d'un modèle hiérarchique d'entité-relation représentant la connaissance antérieure des événements de football. Ils ont appliqué la méthode proposée en tant que module d'activation clé dans une application de divertissement sportif du monde réel et les résultats expérimentaux sont donnés dans l'article. L'algorithme de détection d'événement proposé détecte les actions de football de base et utilise le résultat de la détection comme base pour détecter des événements de football plus complexes. Une fois qu'un événement est détecté et marqué comme valide, l'algorithme invoquera alors un autre ensemble de règles heuristiques pour déterminer les spécificités des actions impliquées dans l'événement. Pour des raisons pratiques, ils appellent les actions et les conséquences sémantiquement significatives comme des événements et de simples mouvements physiques comme des actions. Nous différencions davantage les événements observés et interprétés.
Un événement observé est un événement indépendant qui peut être facilement observé, par exemple un coup de pied ou un but. Un événement interprété est une annotation d'un événement observé, par exemple, un tir au but peut être essentiellement un coup de pied avec un score prévu. La liste des événements de football observés comprend: balle hors des limites, coup de pied de coin, balle morte par arbitre, déviation, balle tombante, coup franc, faute, but, coup de pied de but, main-balle, blessure, coup de pied -depuis-point de penalty, coup d'envoi, hors-jeu, coup de pied de pénalité, réception, carton rouge, vol, remplacement, remise en jeu, rotation et carton jaune. La liste des événements de football interprétés comprend: assistance, blocage, en-tête, interception, arrêt et tir au but. La liste des actions de football comprend: l'effondrement, le mouvement du défenseur (tacle), la détection, le plongeon, le dribble, le drop-ball, la chute, le lever, les mouvements de la main, la tenue du ballon, l'étreinte, le coup de pied, le saut, l'allongement -le-sol, placer-le-ballon-sur-le-sol, posture, réception, rouler, courir, se tenir debout, glisser, s'arrêter (s'arrêter), lancer et marcher. Ce framework charge les connaissances spécifiques au domaine au démarrage et la détection réelle est effectuée en deux phases. L'objectif principal de la première phase est de calculer les informations dérivées telles que le mouvement et l'orientation du joueur qui sont requises par l'algorithme basé sur des règles et d'identifier toutes les sections des données de suivi qui contiennent des interactions joueur-balle. Ceci est accompli en éliminant les déformations associées au rebond du ballon sur le sol ou sur le poteau de but. La deuxième phase détermine quelles règles de la base de connaissances du domaine sont appropriées pour être appliquées pour chaque segment marqué comme une déviation potentielle par un joueur. Ces règles évaluent la situation du jeu et exécutent des règles qui ne concernent que la situation actuelle. Ces segments sont ensuite étiquetés comme des événements valides ou non valides en fonction du résultat des règles évaluées. Cette phase peut inclure d'autres méthodes d'inférence qui agissent indépendamment ou en conjonction avec l'implémentation basée sur des règles existante.
3.2 Approche d'apprentissage automatique pour l'analyse des matchs de football
Irnai [13] donne un exemple de la seconde approche. Le procédé permet de reconnaître les étiquettes des jeux dans les matchs de football en fonction des trajectoires du ballon et des joueurs. Ils utilisent des données de suivi mesurées par un système basé sur une caméra de ChyronHego appelé TRACAB [3]. Leur méthode vise à reconnaître dix types de jeux avec touche de balle tels que la passe, le piège et le tir qui sont réellement enregistrés dans les matchs de la J. League. À cette fin, il existe plusieurs défis pour reconnaître automatiquement les jeux. Premièrement, les données de suivi basées sur la caméra incluent certaines erreurs de position dues à l'inexactitude de la reconnaissance d'image. En particulier, ces erreurs se produisent fréquemment dans des situations où certains joueurs se rassemblent autour du ballon, le ballon sort du terrain, etc. Ils conçoivent une méthode qui évite de telles erreurs de suivi des données en combinant des fonctionnalités soigneusement conçues. Deuxièmement, il existe plusieurs jeux dont la définition est ambiguë parmi les classes cibles. Ils abordent avec une telle difficulté en appliquant l'apprentissage automatique pour la reconnaissance de jeu. Premièrement, ils se concentrent sur le fait que la trajectoire ou la vitesse de la balle change considérablement au moment de l'occurrence du jeu. Sur la base de ce fait, ils détectent l'occurrence de jeux dans les données de suivi avec une méthode basée sur des règles.
Deuxièmement, ils extraient les caractéristiques de chaque jeu détecté à partir des trajectoires de la balle et de chaque joueur et forment un classificateur de jeux par apprentissage automatique. Pour l'apprentissage automatique, ils comparent trois types d'algorithmes: Champ aléatoire conditionnel (CRF), Support Vector Machine (SVM) et Random Forest (RF), enfin ils affichent et comparent les résultats. Certains articles présentent des approches pour identifier les événements composés en analysant les données de position des matchs de football, formation d'algorithmes d'apprentissage automatique tels que Support Vector Machine, K-Nearest Neighbours et Random Forest, basés sur des caractéristiques, qui sont calculées sur la base des données de position [17], [21]. D'autres contributions introduisent une architecture hiérarchique de réseaux de neurones artificiels pour trouver des modèles tactiques dans ces données de position. Les résultats de la classification utilisant la configuration hiérarchique ont été comparés aux résultats obtenus par un expert classant manuellement les différentes catégories. Les initiations de parties courtes et longues peuvent être détectées avec une précision relativement élevée conduisant à la conclusion que l'architecture hiérarchique est capable de reconnaître différents modèles tactiques et des variations de ces modèles [10]. Au vu de tout cela, une approche mixte, utilisant à la fois des techniques d'apprentissage géométrique et machine,
4 Outils d'analyse de match
La préparation du match est la clé de la victoire. En moyenne, cela prend 25 heures sur trois jours avec la vidéo de cinq matchs précédents. Il s'agit d'un processus subjectif surchargé, même pour les personnels d'arrière-boutique les mieux équipés. L'adoption généralisée des technologies de l'information et la disponibilité croissante des données ouvrent une myriade de possibilités; nous ne sommes qu'au début de l'ère de l'analyse de match soutenue par des outils automatiques. Différentes approches informatiques tentent d'extraire et d'analyser des événements et des modèles tactiques dans les jeux sportifs. De nombreux outils et logiciels ont été développés et commercialisés pour fournir des informations tactiques au coaching, en les aidant dans le processus de prise de décision. Ces outils sont généralement automatiques ou semi-automatiques et fournissent des informations pour gérer et suivre les performances des joueurs, des lignes, puis toute l'équipe. Les insights essaient de surveiller autant de variables que possible pour décrire le jeu afin d'optimiser l'efficacité de l'équipe, trouver des relations entre les variables et comprendre lesquelles sont corrélées avec les forces et les faiblesses de la propre équipe et des adversaires (dans les statistiques, la corrélation est une relation entre deux variables telle que chaque valeur de la première correspond à une valeur de la seconde, suivant une certaine régularité). La sortie de ces outils est souvent résumée dans des rapports numériques disponibles avant et après le match.
Après la Coupe du monde 2018, suite à la décision de l'International Football Association Board d'approuver les technologies portatives sur le banc, l'instance dirigeante mondiale la FIFA permet de recevoir le soutien en temps réel d'un analyste pendant toute la durée des matchs. Le logiciel et l'infrastructure mis en place par la FIFA pour la Coupe du monde 2018 ont permis à toutes les équipes une connexion stable et sécurisée entre les analystes de match situés dans les tribunes et le personnel technique du côté du banc, comme l'a rapporté CNN [7]. En fournissant une plateforme dédiée, chaque équipe qui choisit d'utiliser le système aura exactement la même capacité à fournir des données visuelles et statistiques qui peuvent éclairer la prise de décision en jeu tout au long du tournoi. Assis dans la section média des stades, les analystes pourront suivre les mouvements des joueurs à partir de deux caméras optiques et envoyer aux entraîneurs des clips vidéo annotés sur la performance de l'équipe. Ces informations seraient ensuite envoyées au personnel d'encadrement via une tablette, permettant aux deux de communiquer entre eux. La FIFA s'appuie sur une technologie de suivi visuel appelée Matrics pour fournir un vaste ensemble de données en temps réel qui constitue les cartes thermiques sur site, les passes terminées et la distance parcourue. La société derrière Matrics est une société italienne appelée Deltatre qui utilise plusieurs technologies et des entrées manuelles d'une grande équipe pour fournir les statistiques en temps réel. Cette technologie existe depuis des années, mais elle devient de plus en plus diversifiée, détaillée et précise [5]. La suite de produits et services d'OptaPro permet aux clubs, ligues et fédérations de prendre des décisions plus éclairées, en appliquant des données et des analyses pour améliorer l'analyse et le recrutement. ProVision permet de personnaliser les métriques pour analyser les joueurs, d'avoir un aperçu des styles de jeu, de la qualité des chances et de la prise de décision sur le terrain. ProPortal est une application de données en direct, fournissant une analyse minute par minute pour identifier rapidement les tendances et aider à éclairer la prise de décision dans le jeu grâce à des visualisations, des graphiques et des tableaux. Il aide à surveiller la performance de l'équipe lors d'un match individuel et pendant la saison, à aider les clubs à identifier les tendances de performance à long terme. Un autre acteur important sur le marché est STATS [18] avec divers produits. En particulier, STATS Edge est une application révolutionnaire de recherche et d'analyse qui intègre la vidéo et les données dans une interface simple et intuitive. En tirant parti de l'intelligence artificielle, STATS Edge permet aux coachs et aux analystes de trouver rapidement des clips et d'analyser des modèles complexes dans un jeu, rationalisant le processus d'évaluation des forces et des faiblesses d'une équipe. En général, de nombreux descriptifs, prédictifs, et l'analyse prescriptive est faisable sur des joueurs ou des équipes individuels et il existe un tas d'outils développés à partir de publications académiques.
Tovinkere [22] a développé une application fournissant une simulation graphique 3D et de nouvelles statistiques de matchs de football réels sur Internet. Le système suit d'abord les positions des joueurs et du ballon pendant le jeu sur la base d'une entrée vidéo ou de capteurs micro-ondes. Ensuite, il détecte les actions du joueur et les événements du jeu à l'aide de l'algorithme de détection d'événements avec une certaine quantité d'interférence humaine. Les résultats sont a) une représentation XML décrivant tous les événements survenus pendant le jeu et b) une séquence d'animation contenant les informations de position et d'action pour le rendu graphique. Les informations d'événement et d'animation sont emballées et téléchargées sur des serveurs à partir desquels un utilisateur final peut rechercher un jeu intéressant. Dans le domaine de l'exploration de données, les ensembles de données peuvent aider à la validation de diverses techniques visant la détection de modèles temporels et d'événements clés. Comme le jeu de données a les coordonnées du joueur, nous pouvons également découvrir les relations spéciales entre ces modèles et certaines régions de champ spécifiques. En utilisant des informations supplémentaires sur la localisation des matchs, il pourrait être possible de trouver des modèles de joueurs corrélés à des variables environnementales. J. Borrie [2] présente une approche d'analyse basée sur un type très général de motif temporel appelé motif en T.
L'algorithme de détection correspondant pour un motif en T permet la détection de structures temporelles et séquentielles répétées dans des enregistrements de comportement en temps réel. Un progiciel d'observation générique appelé Thème a été développé spécifiquement pour opérationnaliser la détection des formes en T en tant que processus d'analyse. Les spécialistes sont capables d'analyser les mouvements effectués, le positionnement du joueur, les distances de passage et bien d'autres variables liées à un joueur spécifique. De plus, les informations de tous les joueurs de l'équipe peuvent être combinées pour effectuer une analyse de la stratégie et du positionnement de l'équipe. J. Gudmundsson [11] fournit deux outils pour réussir l'analyse; le premier outil calcule toutes les alternatives de passes possibles à chaque instant et le second outil calcule les séquences de passes fréquentes. J. Gudmundsson a développé un autre outil qui vise à analyser le mouvement d'un ou de plusieurs joueurs. Étant donné une trajectoire ou un ensemble de trajectoires, ils recherchent des clusters de sous-trajectoires, qui sont des mouvements d'un ou de plusieurs joueurs, qui se répètent souvent. StatsBomb [19] fournit un outil pour les entraîneurs et les recruteurs pour analyser le style de jeu, les forces et les faiblesses des adversaires, pour comprendre les caractéristiques des joueurs et les stratégies d'attaque / défense. D'autres contributions tentent de trouver de nouvelles métriques et KPI (indicateurs clés de performance) utiles pour évaluer les tendances des matches de football, à partir d'un cadre probabiliste. D. Link [14], par exemple, utilise une procédure de modélisation qui part de la compréhension du football, puis évalue les facteurs clés impliqués dans les actions d'attaque. Leur procédure détermine une représentation quantitative de la probabilité qu'un but soit marqué pour chaque moment où un joueur est en possession du ballon et ils l'appellent dangerosité. Ils prennent en compte la position, dite zone du ballon, le degré de contrôle du ballon,
5. Conclusions aux données et technologie pour l'analyse des matchs de football
La prolifération des systèmes de suivi optique et de dispositif dans les ligues professionnelles ces dernières années a produit un grand volume de données, ce qui a permis par la suite une prolifération de recherches et d'efforts dans diverses communautés de recherche [12]. Il semble pertinent de découvrir des concepts et des méthodes permettant d'assembler et d'organiser les connaissances sur la complexité du jeu et les propriétés d'interaction dynamique des équipes. Il y a eu de grands progrès dans la recherche dans ce domaine, et il appartient désormais aux équipes d'élite de football d'appliquer ces recherches et ces outils sur le terrain. Un problème important de l'analyse concerne la modélisation - quels sont les aspects des événements sportifs / matchs qui sont importants? Comment pouvons-nous évaluer qualitativement et quantitativement la performance individuelle des joueurs ou le développement des capacités tactiques et stratégiques d'une équipe? Les réponses à ces questions doivent tenir compte à la fois des approches fondées sur les données issues de la science des données, mais aussi des modèles et des concepts développés dans la science du sport [20]. Comme résumé précédemment, le point de départ est une classification organisée des événements élémentaires au niveau du joueur, de l'unité et de l'équipe. Cette classification peut être réalisée à l'aide de règles géométriques et de techniques d'apprentissage automatique, afin d'avoir une vue d'ensemble complète de tous les événements se produisant lors d'un match de football.
Memmert & Perl [15] fait référence au fait que pour évaluer les données de performance, normalement, les méthodes qualitatives et quantitatives sont utilisées séparément et suggèrent la combinaison d'analyses qualitatives basées sur le net et d'analyses quantitatives stochastiques pour améliorer considérablement la production d'informations. Cet article passe en revue les recherches récentes sur l'analyse des sports de football et décrit un cadre dans lequel les divers problèmes de recherche ont trouvé une application dans les outils d'analyse de match pour une utilisation en temps réel et non en temps réel. Le document devrait être utile en tant qu'introduction concise pour les analystes de match et les chercheurs qui sont nouveaux dans le domaine. et décrit un cadre dans lequel les divers problèmes de recherche ont trouvé une application dans les outils d'analyse de correspondance pour une utilisation en temps réel et non en temps réel. Le document devrait être utile en tant qu'introduction concise pour les analystes de match et les chercheurs qui sont nouveaux dans le domaine. et décrit un cadre dans lequel les divers problèmes de recherche ont trouvé une application dans les outils d'analyse de correspondance pour une utilisation en temps réel et non en temps réel. Le document devrait être utile en tant qu'introduction concise pour les analystes de match et les chercheurs qui sont nouveaux dans le domaine.