Weiterentwicklung der Analyse räumlich-zeitlicher Muster mithilfe von Daten aus dem Spitzensport

Projektbeschreibung

ASPAS untersucht, wie modernste Methoden des maschinellen Lernens groß angelegte räumlich-zeitliche Bewegungsdaten in aussagekräftige Verhaltensmuster umwandeln können. Unter Verwendung hochwertiger Tracking-Daten aus der deutschen Bundesliga als Testumgebung konzentrierte sich das Projekt auf die automatische Identifizierung von Spielphasen mit Ballbesitz unterschiedlicher Dauer, die von bestimmten Absichten bestimmt sind. Wir entwickelten ein hierarchisches Framework, das Spielerinteraktionen als dynamische Graphen darstellt und graphneuronale Netzwerke mit Transformer-basierter zeitlicher Modellierung kombiniert. Das daraus resultierende „Temporal Graph Attention Network“ identifiziert drei taktische Absichten und sechs Spielphasen direkt aus den kontinuierlichen Bewegungsbahnen von Spielern und Ball. Über den Fußball hinaus befasst sich das Projekt mit einer allgemeinen Herausforderung in der räumlich-zeitlichen Analyse: dem Erkennen latenter, kontextabhängiger kollektiver Verhaltensweisen, deren zeitliche Grenzen nicht direkt beobachtbar sind. Das Rahmenwerk liefert daher methodische Erkenntnisse, die für die Sportleistungsanalyse und andere Bereiche mit Multi-Agenten-Bewegungsbahnen relevant sind.

Ergebnisse

• Entwicklung eines hierarchischen Phasenmodells, das wichtige taktische Absichten und Ballbesitzphasen erfasst.
• Nachweislich hervorragende Leistung bei der Identifizierung von Absichten und Phasen anhand kontinuierlicher Tracking-Daten.
• Es wurde festgestellt, dass die zeitliche Modellierung entscheidend für die Erfassung der Phasendynamik ist, während die relationale Modellierung die Erkennung spezifischer taktischer Situationen wie beispielsweise Konter verbessert.
• Es wurden taktisch bedeutsame Aufmerksamkeitsmuster der Spieler aufgedeckt, die die Bedeutung von Flügel- und Mittelfeldspielern bei der Phasendiskriminierung unterstreichen.
• Das Segmentierungsframework wurde auf die Leistungsanalyse angewendet, wodurch Unterschiede im Spielstil aufgedeckt und die Rekonstruktion taktischer Entwicklungen innerhalb von Torabläufen ermöglicht wurden.

Weitere Schritte

In zukünftigen Arbeiten wird das Segmentierungsframework auf größere, mehrere Spielzeiten umfassende Datensätze angewendet, um eine automatisierte Spielanalyse, die Erstellung von Spielstilprofilen, die Analyse taktischer Trends sowie kontextsensitive Leistungsindikatoren zu ermöglichen. Phasenbasierte Darstellungen können zudem die Analyse der Spielkontrolle, von Einwechslungen, des Einflusses des Spielstands sowie von Übergängen zwischen taktischen Absichten unterstützen. Aufbauend auf den methodischen und anwendungsbezogenen Ergebnissen von ASPAS plant das Team die Ausarbeitung eines DFG-Antrags zum skalierbaren, interpretierbaren Lernen kollektiven räumlich-zeitlichen Verhaltens im Spitzensport.