| Project/Area Number |
23K16708
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 59020:Sports sciences-related
|
|---|
| Research Institution | Shizuoka Sangyo University |
|---|
Principal Investigator |
徐 広孝 静岡産業大学, スポーツ科学部, 准教授 (80845173)
|
|---|
| Project Period (FY) |
2023-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
Fiscal Year 2025: ¥390,000 (Direct Cost: ¥300,000、Indirect Cost: ¥90,000)
Fiscal Year 2024: ¥520,000 (Direct Cost: ¥400,000、Indirect Cost: ¥120,000)
Fiscal Year 2023: ¥650,000 (Direct Cost: ¥500,000、Indirect Cost: ¥150,000)
|
|---|
| Keywords | サッカー / 攻撃 / 機械学習 / 予測モデル / 攻撃技能 / 評価尺度 / ゲームパフォーマンスデータ |
|---|
| Outline of Research at the Start |
サッカーのゲームパフォーマンスデータを機械学習で分析することの需要が高まっているが、どの機械学習手法が最も高い予測性能を発揮するかは分かっていない。この問題を明らかにすることで、技能評価のための妥当性の高い項目を開発することができるようになる。サッカーの攻撃には個人技能と集団技能があるが、本研究はこれらを分離して評価するために攻撃プレーの間接的因果関係を解明し、攻撃の途中段階において選手個人に分配できる項目ウエイト得点を明らかにする。そのうえで項目反応理論を適用し、同一のゲームパフォーマンスデータから個人攻撃技能と集団攻撃技能を別々に評価する多特性評価尺度を開発する。
|
| Outline of Annual Research Achievements |
サッカーのゲームパフォーマンスデータを機械学習で分析することの需要が高まっているが、どの機械学習手法が攻撃のゲームパフォーマンスデータに対して最も高い予測性能を発揮するかは分かっていない。この問題を明らかにすることで、技能評価のための妥当性の高い測定項目（特徴量）を開発することができるようになる。
こうした背景を受けて、本研究課題の1年目は、様々な機械学習手法（ランダムフォレストや勾配ブースティング決定木などの決定木系、畳み込みニューラルネットワークや再起型ニューラルネットワークなどのニューラルネットワーク系、サポートベクターマシン等）の比較検討を行った。シュートの有無を目的変数とした場合、決定木系は80％を超える高い予測精度であることが分かった。ニューラルネットワーク系とサポートベクターマシンは80%に満たない予測精度であったが、ハイパーパラメータを変更することで精度が上がる見込みがあるため、モデルの開発を継続している。学習データは130万レコードを超えるボールタッチ型のビッグデータであるため、モデル開発に長期間を要するが、手法別のモデル構築は本研究課題の根幹であるため、慎重を要する。引き続き、回帰分析モデル、K近傍法モデル、ナイーブベイズモデルによる予測精度の検討を行い、最も優れた機械学習予測モデルの開発を行う。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
学習データが130万レコードを超えるボールタッチ型のビッグデータであるため、ひとつのモデルを開発するのに数日から数週間を要する。さらに一つの機械学習手法でいくつものパラメータパターンを試しているため、当初の予定よりもモデル開発に時間がかかっている。
|
| Strategy for Future Research Activity |
決定木系のモデル構築は完了している。ニューラルネットワーク系とサポートベクターマシンは完了まであと少しである。残る回帰分析モデル、K近傍法モデル、ナイーブベイズモデルによる予測精度の検討を終えた後は、サッカーの攻撃プレーの間接的因果関係を反映した項目ウエイト得点の算出を行う。
サッカーの攻撃は、個人の動作（ドリブルやパス）が連続的に発生し、複数人の連携によって集団プレーが生成される。ゲームパフォーマンスデータは集団プレーの中で誰が、いつ、どこで、何をしたかという現象を測定しているため、集団技能と個人技能を分離して測定することができない。しかし、横にボールを回して縦に移動し、サイド攻撃や決定的エリアへの進入を経てシュートをするという複数因子の間接的因果構造を有することが分かっている。そこで攻撃プレーの段階別に部分的重回帰モデルを構築し、偏回帰係数を各段階における各項目の重要度とした項目ウエイトパラメータを定義する。
|
