Analyser un match de football: des joueurs similaires avec DBSCAN et des trajectoires similaires avec TRACLUS

J'essaie d'analyser un ensemble de données qui provient de capteurs situés près des chaussures des joueurs dans un match ( http://www.orgs.ttu.edu/debs2013/index.php?goto=cfchallengedetails ).

J'ai décidé de regarder le clustering pour identifier:

1. Trajectoires similaires des joueurs dans le match en utilisant l' algorithme de clustering TRACLUS

2. Joueurs similaires en comptant certaines caractéristiques telles que les passages infructueux, les croix infructueuses, les tirs et les tacles. J'ai pensé à utiliser DBSCAN pour les regrouper.

3. Joueurs de groupe qui se transmettent le ballon plus souvent. Comment puis-je les regrouper?

Puis-je exploiter autre chose à partir de ce type de jeu de données? Y a-t-il une autre caractéristique que je peux utiliser au point 2?

Il y a 2 questions (le 1er point n'est pas une question). Toutes les réponses sont ci-dessous.

Q1: Comment regrouper les joueurs qui se transmettent le ballon plus souvent?

À mon avis, il s'agit d'une tâche chargée qui est mieux répartie comme suit:

• Identifiez si un joueur passe une balle. Vous devez regarder la distribution des données sensorielles qui est souvent associée aux actions liées au passage des balles. De nombreuses façons de procéder. Une manière originale pourrait être de répliquer cet ensemble de données collectées empériquement dans un jeu 3D que vous chargez les joueurs avec des capteurs similaires. La bonne chose à propos du jeu est que vous pouvez identifier les variables cibles que vous souhaitez prédire (c'est-à-dire que vous savez si elles passent le ballon). De cette façon, en utilisant le jeu, vous pouvez corréler la distribution des données sensorielles aux variables ciblées, générant finalement un ensemble d'étiquettes étiqueté. Enfin, vous appliquez une étape d'adaptation de domaine par laquelle votre modèle de jeu 3D est transformé en l'ensemble de données empericalement collecfté de domaine (afin que vous puissiez l'exécuter là avec moins d'erreur que sans l'étape d'adaptation de domaine).
• Identifiez si un joueur reçoit une balle. Similaire au point ci-dessus, mais pour la distribution des données sensorielles lors de la réception des balles.
• Identifier les passes et les réceptions liées. C'est relativement trivial: deux joueurs se transmettent des balles si une réception se produit après une passe. Pour réduire le bruit, vous souhaiterez peut-être ajouter des contraintes supplémentaires à cette hypothèse pour garantir que les passes accidentelles sont distinctes des passes intentionnelles.

Q2: Puis-je exploiter autre chose à partir de ce type de jeu de données? (pour que vous développiez le point 2)

• Fatigue / endurance / vitesse en fonction de l'activité et du temps. Cela pourrait être facilement facile à estimer en examinant la vitesse de fréquence de l'évolution des positions / vitesse des capteurs.
• Une fois que vous avez identifié le point ci-dessus, vous pouvez estimer d'autres paramètres, tels que le temps de récupération.
• De plus, corrélez tout ce qui précède avec la relation des joueurs avec son équipe. Par exemple, un joueur passe-t-il les balles plus souvent lorsqu'il est fatigué? À qui, ou dans quelles directions, tend-il à passer des balles lorsqu'il est fatigué? Change-t-il ses cibles / directions de passage lorsqu'il récupère son endurance?