🔬 physics

Evaluating Soccer Player Movements Using the Attacker-Defender Model

Deze studie verbetert en valideert het aanval-verdediging bewegingsmodel met behulp van een grote dataset van 306 J1 League-wedstrijden om spelerspecifieke parameters te optimaliseren en onderscheidende speelstijlen voor aanvallers en verdedigers bloot te leggen.

Oorspronkelijke auteurs: Takuma Narizuka, Issei Yamazaki

Gepubliceerd 2026-05-26

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Takuma Narizuka, Issei Yamazaki

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een voetbalwedstrijd voor, niet alleen als een spel van vaardigheid, maar als een complexe dans tussen twee partners: de speler met de bal (de Aanvaller) en de speler die probeert hen te stoppen (de Verdediger).

Dit artikel is als een wetenschappelijke poging om de "choreografieregels" voor die dans te schrijven. De auteurs, Takuma Narizuka en Issei Yamazaki, namen een bestaande set regels (het zogenoemde Aanvaller-Verdediger of AD-model) en upgradeerden deze om een veel groter podium met meer dansers te kunnen hanteren.

Hier is een overzicht van wat ze deden, met gebruikmaking van eenvoudige analogieën:

1. De Oude Kaart versus de Nieuwe GPS

Vroeger probeerden onderzoekers te voorspellen hoe spelers bewogen met een model dat leek op een ruwe schets. Het werkte redelijk voor kleine groepen spelers, maar had twee grote problemen:

Het keek alleen naar een paar specifieke soorten bewegingen (alsof je alleen bestudeert hoe mensen vooruit lopen).
Het was gebaseerd op een klein dataset (alsof je probeert het hele menselijke gedrag te begrijpen door alleen 1.500 mensen te bekijken).

De auteurs wilden dit upgraden naar een high-definition GPS. Ze wilden zien of de regels de bewegingen van duizenden spelers in echte, hoog-risico wedstrijden konden verklaren. Ze gebruikten data van 306 professionele wedstrijden in de topdivisie van Japan (J1 League), met meer dan 31.000 dribbelmomenten. Dat is alsof je elke enkele stap van een marathonloper bekijkt in plaats van slechts een paar stappen in een park.

2. De Fysica van de Dans

Het model behandelt spelers als auto's met motoren en remmen.

Weerstand (De Remmen): Spelers vertragen van nature als ze niet blijven duwen.
Doelkracht (Het Gas): De aanvaller wil naar het doel van de tegenstander rijden. De verdediger wil naar zijn eigen doel rijden.
Tegenstanderkracht (Het Stuur): De aanvaller probeert weg van de verdediger te sturen. De verdediger probeert naar de aanvaller toe te sturen.

De wiskunde berekent de perfecte balans tussen deze krachten om te voorspellen waar een speler zou moeten gaan.

3. De Grote Upgrade: Het Legpuzzel Stap voor Stap Oplossen

In de oude methode probeerde de computer de bewegingen van de aanvaller en de verdediger gelijktijdig op te lossen. Stel je voor dat je een Rubiks kubus probeert op te lossen terwijl iemand anders de tafel schudt; het is moeilijk en traag.

De auteurs introduceerden een nieuwe truc: Fixeer één speler, los de ander op.

Ze namen het werkelijke pad dat de verdediger liep en zeiden: "Oké, Verdediger, blijf precies hier. Nu, Aanvaller, welke regels zouden ervoor zorgen dat je precies loopt waar je eigenlijk hebt gelopen?"
Vervolgens draaiden ze het om: "Oké, Aanvaller, blijf precies hier. Verdediger, welke regels zorgen ervoor dat je loopt waar je eigenlijk hebt gelopen?"

Het Resultaat: Dit was alsof je overschakelt van het oplossen van een verward knoop naar het ontwarren van twee losse draden. Het was sneller, goedkoper om te berekenen en het werkte beter. Ze slaagden erin 88,5% van de dribbelgebeurtenissen te reconstrueren (een stijging van 85,4% ervoor), wat betekent dat hun nieuwe "GPS" veel nauwkeuriger was.

4. Het Ontdekken van de "Vier Persoonlijkheden" van Spelers

Zodra ze de nauwkeurige data hadden, realiseerden ze zich dat spelers niet op slechts één manier bewegen. Door te kijken naar de "krachten" in hun wiskunde, sorteerden ze elke speler in vier verschillende persoonlijkheden op basis van hoe ze bewogen ten opzichte van het doel en de tegenstander.

Voor Aanvallers (De Baldragers):

Type A1 (De Veilige Bestuurder): Beweegt naar het doel toe, maar houdt een veilige afstand tot de verdediger. Denk aan een centrale verdediger die het spel opbouwt en rustig de bal overmaakt.
Type A2 (De Achteruitloper): Beweegt weg van het doel, maar naar de verdediger toe. Zoals een speler onder druk van achteren, die probeert de bal te beschermen.
Type A3 (De Dappere): Beweegt naar het doel toe én direct naar de verdediger. Dit is het "een-op-een"-duel, de hoog-risico zet vlak bij het doel.
Type A4 (De Terugtrekker): Beweegt weg van het doel en weg van de verdediger. Zoals een speler die versnelt om druk te ontsnappen of achteruit dribbelt om de verdediger naar zich toe te lokken.

Voor Verdedigers (De Jagers):

Type D1 (De Drijver): Beweegt naar zijn eigen doel toe, maar naar de aanvaller toe. Zoals een verdediger die achteruitloopt terwijl hij probeert de aanvaller naar de zijlijn te duwen.
Type D2 (De Terugtrekker): Beweegt weg van het doel en weg van de aanvaller. Een pure terugtrekking om te voorkomen dat hij wordt verslagen.
Type D3 (De Zijlijnwachter): Beweegt naar het doel toe, maar weg van de aanvaller. Omgaan met een dribbel die van de zijkant komt.
Type D4 (De Aggressieve Tackle): Beweegt weg van het doel, maar naar de aanvaller toe. Dit is de hoog-risico, hoog-beloning zet waarbij een verdediger ingrijpt om de bal van achteren te stelen.

5. Wie zijn de Sterren?

Het artikel keek niet alleen naar de wiskunde; het keek naar de namen. Ze ontdekten dat bepaalde spelers het vaakst voorkwamen in specifieke "persoonlijkheidszones".

Bijvoorbeeld, M. Hosoya (een aanvaller) verscheen constant in de verdedigersgrafieken (D1–D4). Dit is logisch, omdat aanvallen vaak degenen zijn die druk zetten (en dus fungeren als de "verdediger" in de ogen van het model) wanneer hun team niet in balbezit is.
A. Scholz (een verdediger) was de meest frequente "Veilige Bestuurder" (A1) voor aanvallen, wat laat zien hoe verdedigers vaak fungeren als baldragers tijdens het opbouwen van het spel.

De Conclusie

De auteurs hebben succesvol bewezen dat dit "fysica-gebaseerde dansmodel" werkt op enorme schaal. Door te vereenvoudigen hoe ze de bewegingen berekenden, konden ze duizenden echte voetbalmomenten analyseren. Ze lieten zien dat elke speler een unieke "bewegingshandtekening" heeft die kan worden gecategoriseerd in vier verschillende stijlen, wat ons een nieuwe manier geeft om de onzichtbare strategieën op het veld te begrijpen.

Wat Komt Er Vandaan?
De auteurs geven toe dat de "GPS" nog niet perfect is. Soms duwde de wiskunde spelers naar de uiterste rand van de kaart, wat suggereert dat de regels iets meer fijnafstelling nodig hebben (zoals het toevoegen van straffen voor te snel of te traag bewegen). Maar voor nu hebben ze ons een veel duidelijker beeld gegeven van hoe aanvallen en verdedigers echt met elkaar interageren.

Technische Samenvatting: Evaluatie van Voetbalspelerbewegingen met het Aanvaller-Verdediger-model

Probleemstelling
De studie adresseert de uitdaging van het modelleren van korte-termijn spelertrajecten in voetbalanalytics. Hoewel machinelearning-benaderingen hoge voorspellende nauwkeurigheid bieden, missen ze vaak fysieke interpreteerbaarheid. Omgekeerd prioriteren op natuurkunde gebaseerde modellen interpreteerbaarheid, maar waren historisch beperkt in scope. Specifiek was het door Brink et al. (2023) voorgestelde Aanvaller-Verdediger (AD)-model, dat interacties beschrijft tussen een baldrager en de dichtstbijzijnde verdediger, eerder alleen onderzocht met beperkte parameterreeksen en relatief kleine datasets (1.573 dribbelgebeurtenissen). Bijgevolg bleef de toepasbaarheid van het model op grootschalige data en het vermogen om het volledige spectrum aan speelstijlen te vatten, onderbelicht.

Methodologie
De auteurs gebruikten een dataset bestaande uit tracking- en eventdata van 306 wedstrijden uit het J1 League-seizoen 2023, geleverd door DataStadium Inc. De ruwe positiedata ( $x, y$ ), opgenomen in intervallen van 0,04 seconde, werden verwerkt met Savitzky–Golay-filters en kubische spline-interpolatie om ruis te reduceren en snelheden te berekenen. Hieruit werden 31.028 dribbelincidenten geëxtraheerd op basis van strikte criteria: de dichtstbijzijnde verdediger bleef constant, het bezit duurde langer dan 0,5 seconde, en spelers legden meer dan 5 meter af.

De kern van de studie omvat het AD-model, dat de beweging van een aanvaller ( $\vec{v}_a$ ) en een verdediger ( $\vec{v}_d$ ) definieert met behulp van gekoppelde differentiaalvergelijkingen. Deze vergelijkingen omvatten een weerstandskracht die evenredig is met de snelheid en een aandrijvende kracht bepaald door doelgerichte en tegenstandergerichte componenten. Het model wordt beheerst door zes parameters: maximale aandrijvende krachten ( $f_a, f_d$ ), tijdsconstanten ( $\tau_a, \tau_d$ ) en wegingsfactoren voor tegenstanderinteractie ( $\beta_a, \beta_d$ ).

Een belangrijke methodologische innovatie is de voorgestelde onafhankelijke parameteroptimalisatie. In tegenstelling tot de oorspronkelijke aanpak, waarbij alle zes parameters gelijktijdig werden geoptimaliseerd om de totale trajectfout te minimaliseren, lost deze studie de bewegingsvergelijkingen op voor één speler terwijl de werkelijke trajecten van de tegenstander worden gefixeerd. Dit maakt de onafhankelijke schatting van aanvallerparameters ( $f_a, \tau_a, \beta_a$ ) en verdedigerparameters ( $f_d, \tau_d, \beta_d$ ) mogelijk. De optimalisatie werd uitgevoerd met het COBYLA-algoritme, met Latin hypercube-sampling voor de initiële parametergeneratie. De studie breidde de analyse uit tot alle vier kwadranten van de parameterruimte (gedefinieerd door de tekens van $f$ en $\beta$ ), terwijl eerdere werken de analyse beperkten tot specifieke gebieden.

Belangrijkste Bijdragen en Resultaten

Verbeterde Optimalisatie-efficiëntie en Nauwkeurigheid: De voorgestelde onafhankelijke optimalisatiemethode verlaagde de rekenkosten aanzienlijk door de dimensionaliteit van de parameterruimte te verkleinen. Belangrijker nog, het verbeterde het succespercentage van de parameterschatting. Met de verbeterde aanpak voldeden 88,5% (27.457) van de 31.028 dribbelgebeurtenissen aan het nauwkeurigheidscriterium (trajectfout $\varepsilon < 0,1$ voor beide spelers), vergeleken met 85,4% (26.492) met de oorspronkelijke gekoppelde methode.
Grootschalige Validatie: De studie slaagde erin het AD-model te valideren op een dataset die bijna 20 keer groter was dan die in eerder onderzoek werd gebruikt, waarmee de robuustheid ervan werd aangetoond over een breed scala aan J1 League-scenario's.
Karakterisering van Speelstijlen: Door de geoptimaliseerde parameters te analyseren over de volledige vier-kwadrantenruimte, identificeerden de auteurs onderscheidende bewegingspatronen en koppelden deze aan specifieke spelersrollen:
- Aanvallers:
  - Gebied A1 ( $f_a > 0, \beta_a > 0$ ): Beweging richting het doel van de tegenstander en weg van de verdediger. Gedomineerd door centrale verdedigers die betrokken zijn bij opbouwspel.
  - Gebied A2 ( $f_a < 0, \beta_a > 0$ ): Beweging weg van het doel maar richting de verdediger, vaak gezien bij het behouden van bezit onder druk van achteren.
  - Gebied A3 ( $f_a < 0, \beta_a < 0$ ): Beweging richting zowel het doel als de verdediger, overeenkomend met directe één-tegen-één-confrontaties nabij scoorkansen.
  - Gebied A4 ( $f_a > 0, \beta_a < 0$ ): Beweging weg van zowel het doel als de verdediger, waargenomen bij voorwaartse versnelling onder druk of achterwaartse dribbels.
- Verdedigers:
  - Gebied D1 ( $f_d > 0, \beta_d > 0$ ): Beweging richting het eigen doel en de aanvaller, typerend voor pressingsacties van centrale aanvallers.
  - Gebied D2 ( $f_d < 0, \beta_d > 0$ ): Beweging weg van zowel het doel als de aanvaller, wat defensieve terugtrekkingen vertegenwoordigt.
  - Gebied D3 ( $f_d < 0, \beta_d < 0$ ): Beweging richting het doel maar weg van de aanvaller, gebruikelijk bij het afhandelen van zijwaartse dribbels.
  - Gebied D4 ( $f_d > 0, \beta_d < 0$ ): Beweging weg van het doel maar richting de aanvaller, wat hoge-risico uitdagingen van achteren aangeeft.

Betekenis en Claims
Het artikel claimt dat door de reeks geanalyseerde parameters uit te breiden en een grotere dataset te gebruiken, de studie nieuwe, kwantitatieve inzichten biedt in de onderscheidende speelstijlen van aanvallers en verdedigers. De auteurs stellen dat de onafhankelijke optimalisatiemethode niet alleen de efficiëntie van modelaanpassing verbetert, maar ook het volume aan nauwkeurig gereproduceerde trajecten verhoogt, waardoor een robuustere karakterisering van spelers mogelijk wordt.

De studie concludeert bescheiden, met de vaststelling dat hoewel het model trajecten succesvol reproduceert, veel geoptimaliseerde parameters de grenzen van de gedefinieerde parameterruimte benaderden. Dit suggereert de noodzaak van toekomstige verfijning van de foutfunctie, mogelijk door het opnemen van straftermen gebaseerd op spelerssnelheid en versnelling. Ook wordt toekomstig werk voorgesteld om specifieke contexten (bijv. veldlocatie) en spelersrollen in groter detail te analyseren.