中国福利彩票走势图表
您現在的位置:球球網>> 國際足球>>正文內容

壓迫式打法:最佳的足球防守策略

壓迫式打法:最佳的足球防守策略 The Pressing Game: Optimal Defensive Disruption in Soccer Iavor Bojino and Luke Bornn Harvard University, Cambridge, MA, 02138, Simon Fraser University, Burnaby, BC, V5A 1S6a 引言 作為世界上最受人矚目的運動,

足球本質上是一個動態游戲,其勝負取決于雙方隊伍采取的策略以及每個球員的自身表現。而過人作為足球最基本的技巧之一,也是策略規劃中不可或缺的一部分,它能幫助球隊保持控球率、運球穿越球場,還是戰術完勝對手從而獲得進球的關鍵環節。顯然,從防守的角度來看,阻止對方過人成功也同樣重要,這樣可以有效破壞對方進攻的流暢度。本文主要的貢獻在于利用基本的觀測報告,定義出表示每支隊伍防御上優缺點的空間圖并從中進行研究;而且作為這個研究方法的副產品,我們還得到了描述某支球隊在場上不同區域保持控球的能力的參考指標——隊伍特化的進攻控制平面圖(Team Specific Offensive Control Surface)。我們得到的結果能用于比較不同的防御策略之間(如球隊是選擇向前緊逼還是后退收縮)的效果,同樣也適用于研究特定球員貢獻或是教練帶來的影響。 一、簡介 在世界各大主要聯賽中,英超是球迷人數、觀眾人數和財政營收都首屈一指的頂級聯賽,每年參加英超的20支隊伍為了獲得不同的目標而奮斗,奪取聯賽冠軍、獲得歐戰資格,或者僅僅為了成為保級成功的十七支球隊之一……

各隊的想法不盡相同。在每個賽季結束后,專家們都會對球隊進行全面剖析,并撰寫各隊比賽風格與競技水平的評測報告。除此之外,他們還會討論哪只球隊的攻擊勢如破竹,而哪支球隊的防守堅不可摧,哪名球員的表現所向披靡,而哪名教練的能力技高一籌。他們經常采用基本的匯總統計法(Summary Statistic)來提供給他們分析需要的數據。例如在2014/2015賽季,曼城是進球數最多的球隊,法比安斯基是撲救數最多的球員,而伯恩利的球員跑動距離冠絕英超。得到的這些數據雖然有趣,但實際上卻沒有抓住這個游戲最關鍵的一點,那就是足球從根本上來說是一個空間的游戲。 在本文中,我們通過一些手段來補救了這個缺點:首先,我們提供了可以量化球隊在控球時持球能力與非控球時阻礙對方能力的匯總統計;

其次,通過擴展我們的模型,可以提供一個能在圖中標出特定隊伍進攻防守上優缺點的制圖法,教練能夠使用這些圖來發現改正他手下隊伍的弱點或者利用對方的漏洞。我們在Prozone提供的2012/13,2013/14與2014/15賽季數據上應用了這份工作成果以作檢驗。

[譯注:Prozone是英國著名的數據分析公司] 本文的結構如下:第二節中我們將導出賽季平均阻礙的平面圖、獲得能用來量化隊伍表現的專有阻礙系數與控制系數;第三節我們會拓展模型,進而得到針對每支球隊阻礙與控制平面圖的制圖法;而第四節會展示這些平面圖是如何應用于理解不同隊伍教練間的策略部署的;

最后一節會給出一些結論以及我們模型未來可能存在的拓展性。 圖1:英超2014/15賽季的平均阻礙平面,藍色代表高阻礙幾率而紅色代表低阻礙幾率,這個數據顯示的是帶球隊伍從左邊往右邊進攻而防守方從相反方向時的結果

二、賽季平均阻礙平面(Season Average Disruption Surface) 為了得到記錄了數據中空間分布占比的整個賽季平均阻礙平面圖,我們使用了廣義線性空間回歸(GLSR)模型。GLSR是經典廣義線性模型的一種拓展,其中隨機分量由響應Y_1(s_1),...,Y_n(s_n)組成,這些響應能夠由他們所被觀測到的空間位置s所決定。我們希望觀測的結果是一個代表在位置s發生的事件性質的二進制變量,如果是阻礙事件則(Y(s)=1),如果是對方保持控制的事件則(Y(s)=0)。在這里,我們將一次對進攻方(控球方)的阻礙,定義為一次由防守方采取的打斷對方進攻流勢的行動,例如攔截、鏟球、解圍與封鎖等都能算作其中,而球員成功完成過人并保持觸球則可作為保持控球事件的代表。通過上面這些符號我們可以定義出在位置s發生阻礙事件的條件概率,在考慮到進攻方與防御方的情況下為: 圖2:近三賽季來的英超球隊控制與阻礙參數,可以看到阿森納在進攻時的控球上一直排名很高,而富勒姆在2013/14賽季最后被降級前很難通過壓迫使對方產生失誤 Disruption Coefficient:干擾系數(壓迫強度) Controlling Coefficient:控制系數(控球能力) 可以很直觀的看出,阻礙平面的值是提升還是降低,取決于防御阻礙與進攻控制參數的符號,在圖2中我們看到,在賽季結束時排名靠前的球隊保持了最高的控制參數與平均水準的阻礙參數。為了能更好的理解這些結果,我們將這些參數與每支球隊射門數/被射數進行了對比,

結果如圖3所示。從總體來說可以顯然看出,球隊射門數與無論是球隊的控制系數還是阻礙系數都成正相關關系,這與球隊控球時間越長就能進行更多射門的普遍看法是一致的。而當我們對比球隊被進球數時,與參數的關系就徹底顛倒過來了,如果一支球隊能更好的阻礙對方隊伍的流暢攻勢,就能夠減少對方射門的次數。 阻礙與控制參數可以看做是一種從獨特角度來量化隊伍特性的隊伍度量標準,阻礙參數提供了球隊防御時到底是富有壓迫力還是消極對抗的信息,同時控制參數概況了球隊在一次控球中保持球權的能力。兩個參數都捕獲了正常球隊球員表現與教練戰術帶來的混合影響,其中前者會在下一節深入討論,而后者則會在第四節中獲得更多關注。 圖3:近三個賽季以來隊伍射門數/被射數與球隊控制/阻礙參數的對比,其中的直線是通過最小二乘法的線性回歸而得到的。 三、防御阻礙與進攻控制平面的制圖法 在這一節中,我們將畫出隊伍特化的防御阻礙與進攻控制平面,為了實現這一點,我們將會將式(1)中給出的模型進行擴展,從兩個方面引入多元高斯過程。

圖4:伯恩利、曼城、桑德蘭在2014/15英超賽季的平均控制/阻礙平面。通過對數據的分析可以看到守門員是如何防止對方進球的。

阻礙與控制平面中紅色都代表低于平均水平,白色代表平均值而藍色代表高于平均。 (圖注:Disruption Surface是反應球隊在防守中的表現,藍色區域說明該區域的防守阻礙力度比較強;Control Surface是反應球隊在進攻中的表現,藍色區域說明該區域的進攻控制力比較強) 3.1 缺乏控制的伯恩利 伯恩利在2014/15賽季最終只取得15名并降級的主要原因之一,無疑是因為球隊缺乏進球能力。他們最終一共只取得了可憐的28個進球,比聯賽平均值要低整整20個,不幸的是,這個數據只是他們本賽季戰績糟糕原因的冰山一角。伯恩利在這個賽季中的控制參數是全隊伍最低的,通過檢查它的控制平面,我們可以進一步了解這個數字并發現他們的弱點。伯恩利的控制平面幾乎完全低于聯賽平均值,尤其在對方禁區外圍有著明顯的下降。這意味著他們的常規首發球員,比如中場大衛-瓊斯(David Jones)與前鋒丹尼-英斯(Danny Ings)在有威脅的區域控球的能力只有聯賽平均水平的一半。而阻礙平面圖顯示了一些不同的東西:中前衛能夠比平均水準產生更多的阻礙,而左翼比起右翼防守稍微好一些,然而這些都被他們糟糕的控球能力所埋沒了。 3.2 支配進攻的曼城 在649次射門中取得83個進球,曼城是2014/15賽季最具威脅的球隊,在檢查它的控制平面時,我們看到了與伯恩利完全不同的狀況,尤其是它在對方前場腹地的控球力冠絕英超,連當賽季的聯賽冠軍切爾西也望塵莫及。這支隊伍對左翼的控制力要優于其他區域,并且他們的頭號射手阿圭羅也偏好從這個發起進攻。從阻礙平面圖上我們可以看出,曼城在戰術上采取了消極防守的策略,而不是主動向對手施壓。 3.3 幸運保級的桑德蘭 桑德蘭被所有英超隊伍加起來轟了接近700腳射門,超過了聯賽平均值接近200次。其阻礙平面幾乎全面低于平均值,在他們自己的半場狀況更是糟糕,這意味著他們的防御幾乎沒有給對手帶來任何麻煩。盡管左后衛帕特里克-范安霍爾特(Patrick van Aanholt)比起交替上場的右后衛比利-瓊斯(Billy Jones)與安東尼-雷維耶(Anthony Réveillère)來說能制造更多的阻礙,但他的表現也還是不及格。當桑德蘭持球時,他們能像其他隊伍一樣的保持控球權,但這仍然不足以阻止對手的猛攻和彌補他們在自己半場的糟糕防守。 3.4 使用制圖法來改善隊伍 教練團隊會花費大量時間來分析他們對手之前的比賽來了解其優勢與弱點,通過使用阻礙與控制平面,我們能夠改善這部分的流程。

控制平面提供了一支隊伍占據支配了哪些區域而又失去了哪些區域控制的地形圖,阻礙平面在球場地圖上標出了哪里對方具有壓迫力而哪里又會相對更消極防御。教練能夠使用這些信息來揭露對手的缺陷并強化自己隊伍的弱點。舉個例子,當需要對抗曼城時,使用高位壓迫戰術就能破壞對方極具統治力的控制平面,斯托克城隊在2014/15賽季初期正是使用這一戰術,迎來了它在曼徹斯特市球場有史以來的第一場勝利。 我們將關注點限制了在一整個賽季,但使用整體數據的子集來匹配這個模型,從而尋找一些特定問題的答案也是可以做到的。例如“如果把切爾西的伊萬諾維奇當做中后衛,而不是他習慣的右后衛來使用,會如何改變隊伍的阻礙平面呢?”這種問題,可以通過只采用他上場的比賽作為數據來匹配模型從而輕松得到解答。而我們采用近似經驗貝葉斯方法來保證了結果平面模擬了從整個賽季數據中得到的平滑性與相關結構。 四、波切蒂諾效應 在過去三個賽季中均由同一個教練執教的球隊(如阿森納,利物浦和西漢姆聯隊)有著一致不變的阻礙與控制參數。而從另一方面來看,由多個教練經手的隊伍(如阿斯頓維拉,曼聯和南安普頓)可以看到在其參數上有著戲劇性的變化。有一個例外是馬克-休斯執教的斯托克城,該球隊從一支避免持球的隊伍,轉變為壓迫并打敗對手的風格。這個轉變可以從其控制與阻礙參數在這幾個賽季中的變化反映出來,這個例子說明了之前圖2展示的內容包含了教練與選手共同的信息。 波切蒂諾在2013/14賽季結束后,從南安普頓的教練變成了熱刺的新主帥,他作為一名進攻壓迫力十足的教練而為人所知,這一點可以在圖2中看出,他帶領的球隊總是有著最高的阻礙系數。 為了更好的理解波切蒂諾的影響,我們將分析集中于最近的兩個賽季,圖5展示了南安普頓和熱刺隊的阻礙平面。很明顯南安普頓的2013/14賽季和熱刺隊的2014/15賽季阻礙平面都遠高于賽季平均值,并大大高于波切蒂諾沒有執教時的數據。此外,波切蒂諾使球隊發生了這么大的變化,卻沒有大幅度的改變隊伍的人員構成。 隊伍的阻礙與控制平面使得我們能夠理解教練是如何影響球隊的比賽風格的,一般來說改變教練不會使首發球員們立刻產生巨大的變化,所以隊伍的控制與阻礙平面產生的重大變化都應該是由于教練的戰術變化所帶來的。

 

這個方法允許我們在不同賽季與聯賽追蹤同一個教練,帶來對其偏好的比賽戰術更好的理解。 圖5:南安普頓和熱刺隊在2013/14與2014/15英超賽季的平均阻礙平面。圖中右下角的波切蒂諾圖片代表他正在執教這支球隊。通過分析這些數據可以看出守門員正在防止對方進球,紅色代表低于平均值,白色代表平均值而藍色則是高于平均。 五、結論 在本次的工作中,我們探索了球隊阻礙的能力,研究了它們在哪里控制球(進攻時)與阻礙對手(防守時)的平面圖。通過這種新型的空間上的理解,我們可以量化一支隊伍的防守與進攻在特定區域處的優勢與弱點,這能讓教練不僅僅調整防御策略來彌補薄弱之處,而且還能建立起利用對方空間上缺陷的攻擊策略。我們展示了這些方法是如何既能應用在選手又能運用在教練身上進行指定研究的。就我們目前所知,我們用制圖法量化教練進攻與防御平面尚屬于足球領域的首創,而球隊的管理人員可以用這種方法來選擇符合他們希望的球隊風格的教練。 鳴謝 文中涉及的計算是在由哈佛大學FAS科學部計算機研究組提供的奧德賽計算機集群上所進行的。

參考文獻 [1] Sudipto Banerjee, Bradley P Carlin, and Alan E Gelfand. Hierarchical modeling and analysis for spatial data.Crc Press, 2014. [2] David Conn. Premier league top of the rich list with record income of £3.26bn. [3] Peter J Diggle, JA Tawn, and RA Moyeed. Model-based geostatistics. Journal of the Royal Statistical Society:Series C (Applied Statistics), 47(3):299–350, 1998. [4] Sophie Figueira. The reign of Mauricio Pochettino: One year on. [5] Mike Keegan. Mark Hughes says he has taken Stoke City to 'next level' by changingstyle of football. [6] Mike Keegan. Stoke City registered their first Premier League victory in Manchester as Mame Biram Diouf’sfine solo effort stunned the champions, August 2014. [7] Premier League. What we do - The world’s most watched league. [8] Finn Lindgren, Håvard Rue, and Johan Lindström. An explicit link between Gaussian fields and Gaussian Markov random fields: the stochastic partial differential equation approach. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 73(4):423–498, 2011. [9] Carl Edward Rasmussen. Gaussian processes for machine learning. Citeseer, 2006. [10] Havard Rue, Sara Martino, and Nicolas Chopin. Approximate Bayesian inference for latent Gaussian models by using integrated nested Laplace approximations. Journal of the royal statistical society: Series b (statistical methodology), 71(2):319–392, 2009. [11] David Sally and Chris Anderson. The numbers game: why everything you know about soccer is wrong. Penguin,2013.

推薦圖文

中国福利彩票走势图表 重庆欢乐生肖免费计划 新时时彩官网app下载 最精准双色球预测专家 排三6码遗漏组六分析 体育比分最新开奖查询 北京时时开奖规律 28计划软件免费版 21点游戏安卓 北京pk10稳赚方法 云南时时哪里投注 赌大小单双软件下载 必富lg游戏官网 七星彩规律 彩票快三大小单双稳赚买法 赛车pk10人工计划 老虎机水果机规律