6MapNet: Characterizing Soccer Players via a Deep Embedding of GPS Data

Abstract

The values of individual players have become astronomical with the growth of the football industry. Nevertheless, subjective judgments have taken a big part to this day due to a lack of data. Recently, there have been new attempts to quantitatively grasp players' styles using video-based event stream data. However, only containing on-the-ball actions of players, data collected from a single match were not enough to represent each player's tendency. In this paper, we propose a deep learning approach that can effectively capture the movement styles of players using in-game GPS data. Without any information of soccer-specific actions, simply each player's locations and velocities are used to generate two types of heatmaps. Our deep architecture then maps these heatmap pairs into embeddings whose similarity corresponds to the actual similarity of playing styles. In this study, each player's off-the-ball movements and roles assigned per match are included in the model, which were not considered in previous studies. We experimentally show that players can be effectively identified with only a small number of matches. Considering the difficulty of obtaining a lot of data of unknown players in real-world scouting, this result implies that our method is more practical and scalable than previous ones.

축구 산업의 성장과 함께 개별 선수의 가치가 천문학적인 수준이 되었지만, 선수 파악 및 평가는 최근까지도 도메인 전문가들의 주관에 의지해 왔다. 최근, 영상 기반 이벤트 데이터를 이용하여 선수 플레이스타일을 정량적으로 파악하고자 하는 새로운 시도들이 있었다. 그러나 해당 데이터는 공을 잡은 선수의 동작만을 수기로 기록한 것이기 때문에, 한 경기에서 선수의 움직임 경향을 파악할 만큼 충분한 양이 수집되지 못했다. 본 논문에서는 축구 경기 중에 수집된 선수의 움직임 데이터로부터 선수의 플레이스타일을 효과적으로 정량화할 수 있는 딥러닝(deep learning) 기반의 방법론을 제안한다. 수동 태깅 정보 없이 선수의 위치 및 속도만을 이용하여 두 가지 유형의 히트맵을 생성하였으며, 이들을 샴 네트워크(siamese networks)에 통과시킴으로써 각 히트맵 쌍에 대한 임베딩(embedding)을 산출하였다. 실제로 움직임이 비슷한 선수들의 임베딩 벡터간 거리가 가깝도록 학습을 진행했기 때문에, 각 임베딩은 선수의 플레이스타일을 효과적으로 나타낸다고 판단된다. 본 연구에서는 기존 연구들이 고려하지 못한 오프더볼(off-the-ball) 움직임과 선수가 경기별로 부여 받은 전술적 역할을 모델에 포함시켰으며, 적은 수의 경기만으로도 선수를 효과적으로 식별할 수 있음을 실험적으로 확인하였다. 실제 축구 현장에서 생소한 선수의 데이터를 많이 확보하기 힘들다는 점을 고려해 볼 때, 이는 논문에서 제안하는 방법론이 기존 연구들보다 높은 적용 가능성을 가지고 있음을 시사한다.