Sim2Win：一种基于事件的、与球队无关的足球赛前结果预测与战术画像系统

# Sim2Win: 一种面向足球赛前结果预测与战术画像的、不依赖球队身份、基于事件数据的系统

来源：https://arxiv.org/html/2607.26061

Amine Abouaomar 阿卡韦恩大学（伊夫兰） [email protected]

###### 摘要

职业足球中的赛前战术决策严重依赖主观专家分析和基于身份（identity-based）的球探系统，这些方法无法泛化到未见过的球队。本文提出了 **Sim2Win**，一个不依赖球队身份、基于事件数据的赛前战术推荐框架，它将比赛结果预测重新定义为战术决策支持问题。利用来自StatsBomb开放事件数据集（涵盖11项赛事，包含178支球队和1,411条球队比赛记录），Sim2Win构建了五场比赛滚动战术画像，设计了四个可解释的战术特征比率，通过K-Means将球队行为聚类为八种比赛风格，并训练了十三个分类器，用于从战术对阵表示中估计获胜、平局和失败的概率。

该系统不需要球队名称或身份特征，从而能够泛化到训练中从未见过的球队。通过严格的留一赛事法（LOCO）评估表明，Sim2Win在完全未见过的球队上实现了0.704的平均ROC-AUC和55.4%的平均准确率，在所有21个ROC-AUC对比和19个准确率对比中均优于ELO、Pi-Rating和GAP基线。在所有评估模型中，CatBoost取得了最强的分布内性能，准确率为60.90%。

这些发现表明，行为战术表示在分布偏移下能提供可迁移的预测信号，并为依赖身份的足球预测系统提供了一种可行替代方案。

**关键词：** 足球分析，战术画像，比赛预测，不依赖球队身份的建模，事件数据，CatBoost，K-Means，LOCO评估，体育分析。

## 1 引言

足球比赛准备仍然是一个复杂且高度主观的过程。教练和分析师通常依赖直觉、经验以及基于身份的指标（如球队声誉、历史表现或联赛排名）来制定战术决策。虽然这些方法提供了有用的背景信息，但它们常常无法捕捉决定比赛结果的潜在行为动态。

近年来，数据驱动方法显著提升了足球比赛结果的预测能力。ELO和Pi-Rating等评级系统以及机器学习模型在多个比赛中展示了强大的预测性能。然而，这些方法存在两个关键局限性。首先，它们高度依赖球队身份，因此在应用于未见过的球队、新升级的俱乐部或跨赛事场景时可靠性较低。其次，它们主要设计用于结果预测而非行为决策支持，为战术规划提供的指导有限。

为了解决这些挑战，人们对基于行为的足球表现表示方法越来越感兴趣。事件数据提供了一种丰富且易于获取的信息来源，描述了球队的踢法，包括传球模式、防守行动和进攻动态。通过关注战术行为而非身份，这种表示为更通用、更可解释的模型提供了潜力。

在这项工作中，我们介绍了 **Sim2Win**，一个不依赖球队身份、基于事件数据的赛前结果预测与战术画像系统。该框架从近期比赛数据中构建滚动战术画像，设计了可解释的行为特征，并将球队策略聚类为不同的比赛风格。然后，这些表示被用于训练能够估计在不同战术配置下比赛结果的预测模型。

本工作的一个关键贡献是对泛化能力的强调。我们通过严格的留一赛事法（LOCO）协议对系统进行评估，确保模型在完全未见过的新赛事上进行测试。这种设置反映了真实的部署场景，并允许我们评估模型是捕捉了可迁移的战术结构，还是仅仅记住了球队特定的模式。

本文的主要贡献如下：

- 一个完全不依赖球队身份、基于事件数据的足球比赛预测与战术分析框架，无需球队名称、ELO评分或历史排名。
- 设计了可解释的行为特征，捕捉球队比赛的关键方面，包括四个基于体育科学文献构建的战术比率。
- 一种基于聚类的方法，用以识别和建模八种不同的战术比赛风格，作为预测的解释层。
- 在LOCO协议下进行的全面评估，展示了在未见过的赛事上的强泛化能力，在分布偏移条件下性能优于三个基于身份的评级系统基线。
- 通过10折交叉验证（95%置信区间）、McNemar精确检验和八种配置的消融研究进行统计验证。

本文其余部分结构如下：第2节回顾相关工作。第3节介绍数据集和方法论。第4节报告实验结果。第5节讨论研究发现，第6节阐述局限性与未来工作。第7节对全文进行总结。

## 2 相关工作

### 2.1 基于评级的比赛预测模型

足球分析传统上依赖基于评级的系统，这些系统利用历史比赛结果来总结球队实力。基于ELO的模型[9, 7]在每场比赛后动态更新球队评分，而Pi-Rating[6]则通过纳入净胜球和主场优势效应扩展了这种方法。近期模型如GAP将预期进球（xG）和进攻统计数据整合到评级系统中，以更好地捕捉攻防表现[17, 16]。

尽管这些方法在存在历史延续性的场景中效果显著，但它们从根本上依赖持续的球队身份。因此，它们在泛化到未见过的球队、新升级的俱乐部或历史数据有限/不可用的跨赛事场景时表现不佳。

### 2.2 机器学习方法

机器学习技术显著扩展了足球比赛预测的范围。早期方法包括贝叶斯网络[10, 5]，用于对比赛变量之间的概率依赖关系进行建模。最新研究应用了决策树、支持向量机、神经网络和集成方法[3, 12]。

其中，梯度提升模型（如XGBoost、LightGBM和CatBoost）由于能够捕捉非线性关系和特征交互，在表格体育数据上持续表现出色。其他研究还探索了逻辑回归基线和结合统计与机器学习技术的混合模型。

然而，大多数机器学习方法仍然专注于预测比赛结果，而不是提供可解释的战术见解。因此，它们对如比赛准备或策略选择等决策过程的支撑有限。

### 2.3 基于事件的战术分析

基于事件的数据使得足球表现向行为驱动表示转变成为可能。Liu等人[11]指出，不同的事件类型（如传球、防守行动和射门）与比赛结果的关系因情境而异。Collet[4]进一步证明，基于控球的指标并非普遍与胜利相关，必须结合球队质量和比赛水平进行解释。

最近的工作集中在通过特征工程和统计分析提取战术模式。Baattite[2]证明，可以通过对事件统计数据应用降维和聚类技术来识别比赛风格。

这些方法超越了基于身份的指标，通过捕捉球队如何比赛而非他们是谁，为战术分析提供了更灵活、更可解释的基础。

### 2.4 时空与追踪方法

追踪数据的进步使得能够在更精细的空间和时间分辨率上分析足球。Andrienko等人[1]、Zhang等人[18]以及Torres等人[15]提出的方法对球员位置、移动和球队阵型进行建模，以捕捉诸如逼抢强度、防守组织和空间控制等战术结构。

虽然这些方法提供了丰富的战术见解，但它们通常依赖于未公开的专有追踪数据集。此外，它们通常用于赛后分析而非赛前决策支持，限制了在实际规划场景中的适用性。

### 2.5 表格基础模型

最近，表格数据的基础模型已成为经典机器学习方法的有前途的替代方案。TabPFN[8]利用预训练期间学到的先验知识，在无需超参数调优的情况下，在小规模表格数据集上取得强劲表现，使得它在数据可用性有限的体育分析场景中尤为相关。然而，它在具有复杂特征交互（如成对战术后向量）的领域特定表格数据上的表现仍然是一个待实证的问题。

### 2.6 研究空白

尽管取得了显著进展，现有文献仍存在几个关键局限性。首先，许多方法严重依赖基于身份的表示，这限制了对未见过的球队或赛事的泛化。其次，大多数模型专注于预测比赛结果，而非提供可解释的战术画像以支持决策。第三，评估协议很少测试跨赛事泛化能力，导致过于乐观的性能估计。

提出的Sim2Win框架通过采用完全不依赖球队身份、基于事件数据的足球行为表示，整合可解释的战术特征，并在严格的LOCO设置下评估性能，解决了这些局限性。

## 3 方法论

### 3.1 问题形式化

一场比赛表示为：

m = (Th, Ta, y)

其中 Th 和 Ta 表示主客队，y ∈ {0, 1, 2} 表示客胜、平局或主胜。

每支球队用一个滚动的赛前战术向量表示：

x_{t,m} = f( H_{t,m}^{(5)} )

其中 H_{t,m}^{(5)} 是球队在比赛 m 之前的五场比赛集合。最终的对阵向量为：

x_m = [x_{h,m}, x_{a,m}]

目标是估计：

P(y = c | x_m), c ∈ {away win, draw, home win}

并按预测获胜概率对战术配置进行排序。

### 3.2 数据收集与预处理

数据集通过 statsbombpy Python API [14] 从 StatsBomb 开放数据仓库 [13] 收集，涵盖赛事包括德甲、英超、法甲、西甲、美国职业足球大联盟、国际足联世界杯、欧洲杯、美洲杯、非洲国家杯、女足世界杯以及英格兰女足超级联赛。

清洗后，最终数据集包含 1,411 条球队比赛记录、178 支球队和约 706 场比赛。流程删除了不完整或不一致的比赛记录、重复条目以及历史比赛不足的球队。预期进球值高于 5.0 的被删除或作为不合理异常值截断。三张及以上红牌的比赛被排除，因为它们代表极端的战术破坏。体积指标（volume metrics）在第 1 和第 99 百分位数处进行温莎化处理，以限制极端比赛情境的影响。

### 3.3 特征工程

设计了四个可解释的战术比率：

- **逼抢效率**（PE）= 球权回收数 / (压迫次数 + ε)，衡量压迫转化为球权回收的效果。
- **射门质量**（SQ）= xG / (射门次数 + ε)，衡量创造机会的平均质量。
- **直接性指数**（D）= 传球次数 / (控球事件数 + ε)，作为控球风格和进攻节奏的代理指标。
- **混沌指数**（C）= 犯规次数 + 3 × 黄牌数 + 5 × 红牌数，量化破坏性和纪律强度。

对于每支球队和每个特征，使用仅包含之前比赛的数据计算五场比赛滚动平均值：

x̅(t,m) = (1/k) Σ_{i=1}^{k} x(t, m-i), k = 5

向前平移一场比赛至关重要：它确保模型永远不会使用来自被预测比赛本身的统计数据。

还计算了波动性和动量：

σ_xG(t,m) = sqrt( (1/k) Σ_{i=1}^{k} (xG(t, m-i) - xG̅(t,m))^2 )

M_xG(t,m) = xG̅_{最后3场}(t,m) - xG̅_{最后5场}(t,m)

上下文特征包括主客场指示符和休息天数：

R(t,m) = 比赛日期(m) - 比赛日期(m-1)

### 3.4 比赛风格聚类

在对 13 个滚动战术特征进行 StandardScaler 归一化后应用 K-Means 聚类。有意避免了 PCA，因为解释接口必须通过原始足球变量保持可读性：每种比赛风格都应该能无需维度变换地进行解释。虽然肘部法和轮廓分析表明 K=5 是数学上的最优选择，但 Sim2Win 使用 K=8 以在解释空间中保持战术粒度。我们承认这一选择未通过外部专家标注验证，应被视为探索性分组而非既定的战术类别。

八种战术原型是：

1. 高位逼抢控球型
2. 低防守反击型
3. 中场过渡型
4. 直接长传型
5. 蒂基塔卡型
6. 边路打击型
7. 高强度高位逼抢型
8. 大巴防守型

### 3.5 模型训练

任务是一个三类概率分类问题。训练并比较了十三个模型：逻辑回归、SVM、KNN、随机森林、极端随机树、装袋法、AdaBoost、梯度提升、XGBoost、LightGBM、CatBoost、人工神经网络（ANN）和TabPFN。

超参数调优使用 RandomizedSearchCV 进行...