機械学習を用いたイベント予測に基づくハンドボールのチーム守備評価

小林, 蓮; 藤井, 慶輔

doi:10.51094/jxiv.1144

##article.authors##

小林, 蓮名古屋大学大学院情報学研究科
藤井, 慶輔名古屋大学大学院情報学研究科

DOI:

https://doi.org/10.51094/jxiv.1144

キーワード:

機械学習、スポーツ、人工知能、 AI

抄録

ハンドボールは，各7人の2チームがボールを手で扱い，相手ゴールへの得点を競う世界的に人気のあるチームスポーツである．近年，スポーツ分析の進展により，選手のパフォーマンスを定量的に評価する手法が多くの競技で開発されているが，ハンドボールにおける守備評価手法は十分に確立されていない．本研究では，従来の単純な指標では捉えきれなかった守備行動の多様性と複雑性を評価するため，トラッキングデータとイベントデータを活用し，ハンドボールの守備パフォーマンスを定量的に評価する新たな指標H-VDEP（Valuing Defense by Estimating Probabilities in Handball）を提案する．本手法は，サッカーのVDEPフレームワークを基にハンドボールの特性に適応させ，ファウル，速攻，失点といった主要な要素を統合し，より包括的な守備評価を可能にする．本研究では，ドイツ・ブンデスリーガの5試合のトラッキングデータを用いて，選手の位置，速度，ボール関連の指標を含む81の特徴量を入力とした，各守備側面に対する予測モデルを開発した．予測モデルとしてCatBoostを採用し，Optunaによる再帰的特徴量選択を用いて入力特徴量を最適化した．ドイツ・ブンデスリーガの試合データを用いた性能評価において，F1スコアは失点予測で $0.379 \pm 0.145$，ファウル予測で $0.159 \pm 0.151$，速攻予測で $0.153 \pm 0.146$ を達成した．次に，H-VDEPの有効性を，定量的および定性的な評価の両面から検証した．定量評価では実際の試合結果との比較分析を，定性評価では個別の守備プレーの詳細な分析を実施した．個別プレー分析では，守備の成功・失敗事例を取り上げ，H-VDEPスコアとの関連を詳細に検討した．具体的には，高評価から低評価まで様々なスコアが付与された守備の成功例や失敗例を分析し，本モデルが守備状況を適切に評価できているか検証を行った．実験に使用したコードは以下のページで全て公開している（https://github.com/sflren6741/h-vdep）．本研究は，守備評価の定量的フレームワークを提供することでハンドボール分析の可能性を拡張し，戦術的意思決定や選手育成戦略に影響を与える可能性がある．

利益相反に関する開示

本研究には利益相反はありません．

ダウンロード *前日までの集計結果を表示します

ダウンロード実績データは、公開の翌日以降に作成されます。

引用文献

R. Pollard and C. Reep, “Measuring the eﬀectiveness of playing strategies at soccer,” Journal of the Royal Statistical Society. Series D (The Statistician), vol. 46, no. 4, pp. 541–550, 1997.

R. Pollard, J. Ensum, and S. Taylor, “Estimating the probability of a shot re- sulting in a goal: The eﬀects of distance, angle and space,” Int. J. Soccer Sci., vol. 2, 2004.

J. Fern´andez, L. Bornn, and D. Cervone, “Decomposing the immeasurable sport: A deep learning expected possession value framework for soccer,” in 13th MIT Sloan Sports Analytics Conference, vol. 2, 2019.

D. Cervone, A. D’Amour, L. Bornn, and K. Goldsberry, “A multiresolution stochastic process model for predicting basketball possession outcomes,” Journal of the American Statistical Association, vol. 111, no. 514, pp. 585–599, 2016.

O. M¨uller, M. Caron, M. D¨oring, T. Heuwinkel, and J. Baumeister, “Pivot: A parsimonious end-to-end learning framework for valuing player actions in hand- ball using tracking data,” in International Workshop on Machine Learning and Data Mining for Sports Analytics, 2021, pp. 116–128.

M. Adams, A. David, M. Hesse, and U. R¨uckert, “Expected goals prediction in professional handball using synchronized event and positional data,” in Pro-ceedings of the 6th International Workshop on Multimedia Content Analysis in Sports, 2023, pp. 83–91.

A. Mortelier, F. Rioult, and J. Komar, “Design of a handball tactics observatory based on dynamic sub-graphs,” in International Sports Analytics Conference and Exhibition, 2024, pp. 149–166.

K. Toda, M. Teranishi, K. Kushiro, and K. Fujii, “Evaluation of soccer team defense based on prediction models of ball recovery and being attacked: A pilot study,” Plos one, vol. 17, no. 1, e0263051, 2022.

H. Biermann, J. Theiner, M. Bassek, D. Raabe, D. Memmert, and R. Ewerth, “A uniﬁed taxonomy and multimodal dataset for events in invasion games,” in Proceedings of the 4th International Workshop on Multimedia Content Analysis in Sports, 2021, pp. 1–10.

I. Mchale and P. Scarf, “Modelling soccer matches using bivariate discrete dis- tributions with general dependence structure,” Statistica Neerlandica, vol. 61, pp. 432–445, 2007.

I. Mchale, P. Scarf, and D. Folker, “On the development of a soccer player per- formance rating system for the english premier league,” vol. 42, 2012, pp. 339– 351.

L. Pappalardo, P. Cintia, P. Ferragina, E. Massucco, D. Pedreschi, and F. Gi- annotti, “Playerank: Data-driven performance evaluation and player ranking in soccer via a machine learning approach,” ACM Trans. Intell. Syst. Technol., vol. 10, no. 5, 2019.

T. Decroos and J. Davis, “Player vectors: Characterizing soccer players’playing style from match event streams,” in 2020, pp. 569–584.

D. Cervone, A. D’amour, L. Bornn, and K. Goldsberry, “Pointwise: Predicting points and valuing decisions in real time with nba optical tracking data,” vol. 28, no. 3, 2014.

Y.-H. Chang, R. T. Maheswaran, S. J. J. Kwok, T. Levy, A. D. Wexler, and K. Squire, “Quantifying shot quality in the nba,” 2014.

P. Lucey, A. Bialkowski, M. Monfort, P. Carr, and I. Matthews, “”quality vs quantity”: Improved shot prediction in soccer using strategic features from spa- tiotemporal data,” 2015.

K. Fujii, Y. Inaba, and Y. Kawahara, “Koopman spectral kernels for comparing complex dynamics: Application to multiagent sport plays,” in ECML/PKDD, 2017.

K. Fujii, Machine Learning in Sports: Open Approach for Next Play Analytics. 2025.

T. Decroos, L. Bransen, J. Van Haaren, and J. Davis, “Actions speak louder than goals: Valuing player actions in soccer,” in Proceedings of the 25th ACM SIGKDD international conference on knowledge discovery & data mining, 2019, pp. 1851–1861.

I. Simpson, R. J. Beal, D. Locke, and T. J. Norman, “Seq2event: Learning the language of soccer using transformer-based match event prediction,” in Proceed- ings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 2022, pp. 3898–3908.

C. C. Yeung, T. Sit, and K. Fujii, “Transformer-based neural marked spatio temporal point process model for football match events analysis,” arXiv preprint arXiv:2302.09276, 2023

Y. Luo, O. Schulte, and P. Poupart, “Inverse reinforcement learning for team sports: Valuing actions and players,” in Proceedings of the Twenty-Ninth Inter- national Joint Conference on Artiﬁcial Intelligence, IJCAI-20, Main track, 2020, pp. 3356–3363.

P. Rahimian and L. Toka, “Inferring the strategy of oﬀensive and defensive play in soccer with inverse reinforcement learning,” 2021. [24] G. Liu and O. Schulte, “Deep reinforcement learning in ice hockey for context- aware player evaluation,” 2018, pp. 3442–3448.

G. Liu, Y. Luo, O. Schulte, and T. Kharrat, “Deep soccer analytics: Learning an action-value function for evaluating soccer players,” Data Min. Knowl. Discov., vol. 34, no. 5, pp. 1531–1559, 2020.

N. Ding, K. Takeda, and K. Fujii, “Deep reinforcement learning in a racket sport for player evaluation with technical and tactical contexts,” IEEE Access, vol. 10, pp. 54 764–54 772, 2022.

H. Nakahara, K. Tsutsui, K. Takeda, and K. Fujii, “Action valuation of on- and oﬀ-ball soccer players based on multi-agent deep reinforcement learning,” IEEE Access, vol. 11, pp. 131 237–131 244, 2023.