一种提取传球数据的方法

刘亮　周思艺

【摘 要】传球是篮球比赛中重要进攻方式之一，关系到一支球队的篮球进攻战术，所以在比赛结束后球队需要对传球数据进行统计分析，而目前统计传球的数据还是采用传统的专人统计方式，或者是球队需要反复观看籃球比赛来统计传球信息，分析传球效率等相关问题。本文基于NBA篮球比赛的球员的轨迹数据，提出了一种篮球运动轨迹模型，基于轨迹数据的特性，得到传球数据，以达到节省人工标记数据时间的目的。最后采用10场比赛的轨迹数据，通过模型结果与真实比赛数据的对比，分析了模型正确率，并实际运用一组案例，验证了模型的有效性。

【关键词】竞技体育;传球;轨迹模型

中图分类号： TP391.41文献标识码： A文章编号： 2095-2457（2019）28-0056-002

DOI：10.19694/j.cnki.issn2095-2457.2019.28.021

【Abstract】Passing is one of the most important offensive method in basketball matches， which is related to the basketball offensive tactics of a team. Therefore， the team needs to conduct statistical analysis of the passing data after the game. At present， the statistics of passing data are still based on the traditional special statistical method， or a team need to watched the basketball matches repeatedly to count the passing data， analysis passing efficiency and so on related issues. In this paper， the trajectory data of players in NBA basketball matches are used， and proposes a basketball trajectory model. Based on the characteristics of trajectory data， the passing data are obtained， so as to save the time of manual marking data. Finally， the model accuracy is analyzed by using the track data of 10 matches and comparing the model result with the real match data. The validity of the model is verified by a group of cases.

【Key words】Competitive sports;Pass;Trajectory model

0 引言

在篮球运动中，传球技术是最主要的进攻技术，是篮球比赛中球员之间有目的地转移球来实现得分的方法。通过传球可以贯彻执行教练的战术、体现球员的默契程度[1]。好的传球往往能够制造直接得分的机会，可以调动场上的气氛，给队友一种鼓舞，给对手心理带来打击与压力[2]。

现有的关于传球技术的研究中，陈俊[3]以传球技术的运用情况为研究内容，量化比较NBA和CBA在传球技术运用水平上的差距;张润梅[4]建立了一个影响图的传球模型，通过模型实现对传球效果的评估;韩彦坤[5]对篮球比赛中传、接球技术进行了分析。他们的工作都非常有效，但是数据来源只能依靠比赛录像资料来记录，耗时耗力。而廖彬[6]等人利用官方网站公开的传球数据，构建传球网络，评估传球质量，节省了很多人力。可是现在NBA官网并不公开传球数据了，对于传球质量的分析就变得很局限。

如何不依靠专人统计或人工反复观看视频得到传球数据是目前需要解决的问题。其中的需要解决问题的难点包括如何确定轨迹来确定是传球还是运球，以及如何确定球员之间的传球。本文通过设置传球轨迹特征提取实验，提取传球轨迹特性，分析发现球员轨迹与传球的关联性。实验显示通过计算轨迹斜率能建立运动轨迹模型，分离传球与控球时段，从而可以实现对传球数据的提取。

1 运动轨迹模型

对运动轨迹分析，球的运动轨迹是一段直线，而在直线的两端是控球的球员，依据此可以划分传球过程和控球过程。且赛场上除控球外，球的运动轨迹是曲线或近似的直线。运动轨迹模型构建如图1所示，通过传球轨迹斜率特征提取实验，得到传球阈值，将时段分成两类，分别为传球和控球。依据此阈值对运动轨迹建模，得到球员传球、控球信息。并通过误差修正算法减小受其他因素影响带来的误差，提高数据的正确率。

1.1 传球轨迹斜率特征提取实验

选取一个赛季内常规赛中多场比赛，基于已有的轨迹数据中球的坐标，计算所有比赛多个连续的传球时间段对应的斜率。结果发现，传球时段的斜率差相近。求得与每个斜率差的方差和最小的值，为传球阈值。通过该值，可以将时段分成两类，传球和控球。且小于该值的为传球，大于该值的为控球。

1.2 模型建立

设t时刻，球的位置为（xb（t），yb（t））。主队球员共m人，客队球员共n人，主队球员的位置为（xhi（t），yhi（t）），i=1，…，m，客队球员的位置为（xvj（t），yvj（t）），j=1，…，n。若球员不在场上，其位置坐标设为（10000，10000），方便运算。

（tn，tn+1）与（tn+1，tn+2）时间段的斜率之差为：

由物理知识可得，在理想状态下，如果物体沿直线运动，它的軌迹斜率应该不变。但是篮球在空中运动还受到气流的影响，所以其轨迹不会是严格的直线运动。经过反复试验，当球在相邻的两个时间段运动轨迹的斜率之差的绝对值小于1时，可以近似地认为球在做直线运动。

根据以上对篮球轨迹的建模，可以标记传球时刻和运球时刻，进而将离散的时刻化为连续的时间段来考虑。

分析控球过程，每次传球过程的两端会有球员控球，借助上述标记的控球过程。在每一个时刻，计算与球最近的球员，该球员即为实际控球球员。

1.3 误差修正算法

由于现实中球的运动会受到各种因素干扰，使得传球过程中，球不沿直线运动，或者球员运球使得球沿直线运动，导致出现以下三种误差：传球误判为控球，控球误判为传球，误判控球球员。因此，提出误差修正算法，算法思路如下，其中0.2为实验计算得出的误差边界值。

步骤一，扫描数据，定位一段时间，如果为传球时间，执行步骤二，否则执行步骤三。

步骤二，如果这段时间小于0.2秒，将标记修改为控球。否则执行步骤一。

步骤三，如果这段时间小于0.2秒，将标记修改为传球。否则执行步骤一。

1.4 对比实验

选取了十场NBA比赛，对比分析使用本文模型得到的传球数据与真实数据的差异。如表1所示，平均一场比赛的传球数量在400-600之间，没有使用误差修正算法前的正确率在45%-61%范围内，正确率不是很高，且误差较大。使用误差修正算法后，正确率范围提升到68%-78%之间，整体提升了17%-25%。

实验证明误差修正算法，能解决球员传球不沿直线运动，和球员运球使得球沿直线运动带来的误差。

2 案例分析

案例选取NBA2015-2016赛季骑士队七场总决赛的比赛，通过运动轨迹模型得到的传球数据进行统计分析球员最常传球搭档。并与真实传球数据计算的球员最常传球搭档对比。以便观察本文方法对其他分析的影响。

从七场传球数据中选取从骑士队詹姆斯传出的球，并根据传球次数，对搭档排名。结果显示，使用本文的模型得到的传球数据对最常传球球员计算正确率达到了100%，而对所有球员的排名正确率达到了60%-77%。如果分析最常传球搭档，本文提出的模型可以达到很好的效果。

3 结语

本文研究了基于轨迹得到传球数据的数学和物理问题，致力于解决目前没有较好的方法能得到传球数据的空白现状。根据现有的NBA比赛的轨迹数据，提出了一种轨迹模型，并且充分考虑到模型中可能存在的误差，运用理论加实践进行验证，结果证明模型表现良好。并且本模型不仅可以应用于篮球，还可以应用足球等其他竞技体育，得到的传球数据可以应用与研究传球网络、评估传球质量等方向。本文的模型仍然具有一定的误差，因此下一步工作集中于以下方面：（1）模型改进优化研究（2）增强模型泛化能力研究。

【参考文献】

[1]张乾伟，余吉成.关于足球比赛中传球内涵的分析[J].成都体育学院学报，2003，29（6）：60-63.DOI：10.3969/j.issn.1001-9154.2003.06.017.

[2]姜明，JIANGMing.对篮球运动中传球技术运用的研究[J]. 湖北体育科技，2006，25（1）：87-89.

[3]陈俊.CBA与NBA常规赛季比赛中传球技术运用的比较研究[D].武汉体育学院，2008.

[4]张润梅[1].基于影响图的传球训练策略的实现[J].计算机技术与发展，2008（12）.

[5]韩彦坤.从中美男子职业篮球联赛鉴析传球技术的差异[D].辽宁：辽宁师范大学，2011.DOI：10.7666/d.y1890245.

[6]廖彬，张陶，国冰磊，et al.基于GraphX传球网络的传球质量量化研究[J].计算机科学，2017（12）：181-188+207.