| Sumario: | Actualmente, en todos los estadios de futbol de primera y segunda división de La Liga de Fútbol Profesional, existen unas cámaras ópticas que envían en tiempo real la posición (x,y) de cada jugador y de la pelota (x,y,z) 25 veces por segundo. A partir de esa información se calculan ciertas características asociadas a cada jugador (distancia a la portería, distancia al portero, ángulo a la portería, número de jugadores rivales en el cono de visión,..) y se ha entrenado un algoritmo (regresión logística) que utilizando dichas variables predice la probabilidad de marcar un gol por cada jugador en cada uno de los momentos registrados (25 por segundo). Este modelo se utiliza en la retransmisión de televisión de los partidos para ofrecer la probabilidad de marcar un gol en las repeticiones de los disparos o remates a puerta. El actual sistema tiene algunas limitaciones como, por ejemplo, que no incorpora las jugadas a balón parado, no predice satisfactoriamente las jugadas de gol en las que sea relevante considerar la altura del balón o no contempla el contexto de la jugada previo al remate. Estas limitaciones están asociadas al diseño de las variables explicativas del modelo, las cuales se han construido a partir de la posición de los jugadores y del balón en el momento del remate a puerta y, por tanto, no tiene en cuenta la información temporal de lo acontecido en la jugada en los segundos previos al disparo. En el presente Trabajo Fin de Máster, con el objetivo de contemplar las situaciones de juego que ahora están limitadas en el algoritmo actual, se ha diseñado y entrenado un modelo alternativo basado en Redes Neuronales Recurrentes (RNN) que incorpora la información de cómo trascurre la jugada en los 5 segundos anteriores al disparo a puerta para predecir la probabilidad de que un jugador marque gol. Para utilizar la información temporal de la jugada previa a un remate a puerta, se han generado unas representaciones bidimensionales construidas a partir de los datos de la posición (coordenadas espaciales x,y) de cada jugador y de la pelota en los 125 instantes anteriores al disparo, las cuales conformarán las secuencias de elementos que alimentarán la Red Neuronal Recurrente; y para utilizar la información contenida en las relaciones espaciales de la posición de cada jugador y del balón, se ha empleado un Autoencoder Convolucional que ha permitido obtener de cada instante de juego su representación latente de baja dimensionalidad. Con el objetivo de ir confirmando que las decisiones metodológicas tomadas son acertadas, se ejecutan diferentes experimentos en los que se prueban distintas aproximaciones de manera incremental, comprobando que los experimentos que combinan las Redes Neuronales Recurrentes con los Autoencoders Convolucionales son los que ofrecen los mejores valores en las métricas de evaluación del rendimiento; unos valores además similares a los obtenidos por el algoritmo actual que ha desarrollado La Liga de Fútbol Profesional, cuando ambos sistemas se han evaluado sobre un mismo conjunto de datos.
|
|---|
