Análise preditiva de fatores que influenciam na entrada na zona de finalização em partidas de futebol

Futebol é um dos esportes mais populares do mundo, sendo essa popularidade refletida nas movimentações financeiras das competições profissionais, que se tornam cada vez mais competitivas a ponto de qualquer vantagem tática influenciar nos resultados. Este trabalho pretende investigar se, observando os primeiros segundos da tomada de posse de bola por uma equipe, seria possível identificar se aquela posse de bola resultaria em uma jogada de perigo na zona de ataque próxima à grande área do oponente, dado que a maneira de vencer uma partida implica em chegar próximo ao gol adversário com a posse de bola. Para responder a essa questão, utilizamos métricas extraídas da atuação dos jogadores e de suas interações em campo, como, por exemplo: posição dos jogadores de ambas as equipes em função do tempo e métricas de redes (centralidade, entropia, vulnerabilidade da rede). Esses dados são tratados modelando o posicionamento dos jogadores como uma série temporal de grafos em que, a cada instante de tempo, o posicionamento dos jogadores gera uma rede. As métricas dessas redes, quando convertidas em imagens de ritmo visual, permitem a extração de características por meio de arquiteturas de redes convolucionais profundas, o que aproxima o nosso estudo da área de aprendizado profundo (do inglês, deep learning), agregando possibilidades como o uso de técnicas de transferência de aprendizado (do inglês, transfer learning) junto de um refinamento (do inglês, fine-tune). A validação foi feita com a arquitetura EfficientNet B0, sendo utilizada para a transferência de aprendizado a partir de uma rede treinada com dados do ImageNet e com seus pesos ajustados com nossos dados. Dessa forma, características de imagens foram obtidas e aplicadas para o treinamento de uma Rede Neural Profunda (do inglês, Deep Neural Network) para a classificação das amostras. A técnica de grid-search com validação cruzada foi utilizada para otimizar os parâmetros da rede. Essa modelagem pretendem determinar se a posse de bola irá produzir uma jogada ofensiva no campo próximo ao gol do oponente. Além disso, validar quais métricas mais influenciam o resultado do modelo, permitindo assim identificar as mais determinantes para se chegar com a posse de bola na zona de defesa do oponente. Os resultados indicam que as chegadas próximas à grande área adversária podem ser preditas observando somente os primeiros 5 segundos de posse de bola, e que as principais métricas utilizadas pelos modelos encontram embasamento na literatura de análise de partidas de futebol.

The focus of this work is investigated if watching the first seconds of a ball possession interval (BPI) of a team is possible to determine whether the ball possession will arrive in the last fourth of the soccer field, thereafter creating a goal chance situation. For answer this question were extracted metrics of players interactions like: the players positions of both teams in function of time and the graph metrics (centrality, entropy, vulnerably). The players positions were modeled in a temporal series of graphs, where each instant of time is represented as a network. These metrics when converted to images of visual rhythm allow the feature extraction through convolutional networks, what allows use of transfer learning techniques with fine-tuning. Efficient B0 architecture was used for the transfer of learning with fine-tuning, this network was trained begin the ImageNet dataset and your weights adjusted with your data. In this way, the features were obtained and applied to a Deep Neural Network (DNN) that are the responsible for classify the ball possessions. The grid-search technic with cross-validate was utilized to optimize the parameters of the DNN. This modeling intends to determine if the ball possession will produce an offensive play nearest the adversary penalty area. Furthermore, we intend valid which are the metrics that influence in the classifier results, thus allowing to identify the most important metric for the ball possession arrive in the final quarter of the pitch. The results indicate that the arrivals near the opponent box can be predicted only looking the first 5 seconds of ball possession, and that the main metrics utilized by the models has foundation on literature of soccer match analyzes.

1 Introdução, 12
1.1 Objetivo, 14
1.2 Materiais e Métodos, 14
1.3 Organização do Texto, 15

2 Conceitos Básicos, 17
2.1 Grafos e Redes Complexas, 17
2.2 Aprendizado de Máquina, 25
2.2.1 Descida do Gradiente, 26
2.2.2 Redes Neurais Multilayer Perceptron, 27
2.2.3 Redes Neurais Convolucionais, 28
2.2.4 Transferência de Aprendizado, 29
2.3 Validação dos Modelos, 30
2.3.1 Validação Cruzada, 30
2.3.2 Métricas de Desempenho, 32
2.3.3 Teste de Hipótese, 33
2.4 Explicabilidade de Modelos, 35
2.5 Aplicação dos conceitos, 36

3 Levantamento Bibliográfico, 37
3.1 Campo, 37
3.1.1 Zonas do Campo, 38
3.1.2 Pressão em Campo, 38
3.1.3 Posição dos Jogadores, 39
3.1.4 Tomada de Posse de Bola, 39
3.1.5 Jogadores por Zona, 40
3.2 Equipe, 41
3.2.1 Quantidade de Passes, 41
3.2.2 Situações de Chance de Gol, 42
3.3 Métricas de Grafos, 42
3.4 Aplicações no Trabalho, 43

4 Metodologia, 45
4.1 Dados, 45
4.2 Seleção de BPIs, 46
4.3 Análise de Grafos, 48
4.3.1 Construção do Grafo, 48
4.3.2 Métricas no Contexto do Futebol, 49
4.3.3 Imagens de Ritmo Visual, 50
4.3.4 Entrada da Rede Neural Convolucional, 52
4.4 Transferência de Aprendizado (Transfer Learning), 52
4.5 Rede Neural Profunda, 54
4.6 Otimização de Hiperparâmetros – Grid Search, 54
4.7 Análise da Contribuição das Características, 55
4.8 Resumo da Metodologia, 56

5 Resultados, 57
5.1 Estudo dos Atributos, 58
5.2 Discussões dos Resultados, 60

6 Conclusões, 64
Referências bibliográficas, 65