🤖 machine learning

Space-Creating versus Dead Possession: An Off-Ball Possession-Quality Index for Broadcast Football

本文引入了一种双层无球控球质量指数，该指数通过结合基于威胁度的“无效控球”标记与基于视频衍生的空间创造指数，将无效的“死”控球与创造空间的循环调度区分开来，证明了该指标能够捕捉到传统有球模型之外的关键进攻价值。

原作者： Seongjin Choi

发布于 2026-08-11

📖 1 分钟阅读☕ 轻松阅读

原作者： Seongjin Choi

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你正在电视上看一场足球赛。解说员们正对着一个数字兴奋不已：“控球率”。他们说 A 队拥有 65% 的控球时间，所以他们一定在统治比赛。但你是否曾看过这样一场比赛：一支球队一直控着球，在自己的后场传来传去，结果却输掉了比赛？这就是旧有计数方式的问题。它将所有的持球行为都视为同等价值，无论那是一次危险的进攻，还是一次在球场中间无聊的转圈。

为了解决这个问题，运动科学家们开发了“基于事件”的工具。把这些工具想象成电子游戏的计分板，它只计算持球球员所“做”的事情。如果他们传球，就得分；如果他们射门，得分更多。这些工具很擅长评判持球者，但它们对场上其他 21 名球员视而不见。它们无法判断控球方是否真的在推动对方防线后退，还是对方只是站在原地，任由他们无害地传球。本文提出了一个简单但棘手的问题：当我们只有电视转播画面，而没有每个球员的高科技传感器时，我们如何区分一支是在为进球“创造空间”的球队，和一支仅仅是在用球“浪费时间”的球队？

“垃圾”控球检测器

本文介绍了一个两层系统来破解“无效”控球之谜。作者利用 2026 年世界杯的数据，构建了一个像侦探一样的工具：首先观察比赛的“文书工作”（事件数据），然后通过缩放视频来观察真实发生的情况。

第一层：“垃圾”标记
首先，作者创建了一个“垃圾控球指数（Junk-Possession Index）”。想象你在给学生的作业评分。大多数系统只是统计他们填了多少页。而这个新系统则关注他们“写了什么”。它将比赛分解成一个个由单方控球组成的小时间段。它会问：“这段时间真的威胁到球门了吗？”

他们为到达危险区域（即使没有射门）的行为加分。但关键在于：他们只在比赛平局或球队落后时才关心这一点。如果一支球队领先并仅仅通过传球来消耗时间，那是聪明的战术，而不是“垃圾”。但如果一支球队在落后或平局时，只是在传球而没有让对手感到压力，系统就会将其标记为“垃圾”。

当他们在 103 场世界杯比赛中进行测试时，结果非常明确。那些拥有高额“垃圾”控球（即缺乏威胁的传球）的球队，其实际进球数更少，胜场也更少。事实上，在控球率超过 55% 的球队中，拥有“垃圾”控球的球队场均仅进 0.62 球，而高效控球的球队场均进球为 2.24 个。论文证明了这种“垃圾”标记不仅仅是“他们没进球”的一种花哨说法；它捕捉到了传统“控球价值”系统所遗漏的东西。即便在考虑了球队传球质量（使用 VAEP 指标）的情况下，“垃圾”标记依然能预测一支球队是否会输球。这是一个独特的信号，它在说：“这支球队控着球，但他们并没有利用球做任何有效的事。”

第二层：“空间创造”缩放
第一层告诉你一次控球是“坏”的，但没告诉你“为什么”。是球只是在转圈？还是球队实际上正在撕裂对方的防线，只是运气不好？为了回答这个问题，作者利用实际的电视转播视频构建了第二层。

他们使用了一个特殊的计算机流水线，将视频转化为球场地图，甚至在球员不在画面中时也能追踪他们的位置（有点像在猜测拼图缺失的部分）。他们计算了一个“空间创造指数（Space-Creation Index, SCI）”。该指数衡量控球方是否成功推动了对手的防线后退，或者夺取了球门附近危险区域的控制权。

他们观察了 31 个被第一层标记为“垃圾”控球的具体时刻。以下是令人惊讶的部分：

74% 的“垃圾”时刻确实是死球。球在移动，但防守方纹丝不动。球队只是在原地打转。
19% 是“弱推进”，即他们有了一点移动，但并未真正突破防线。
6% 竟然是创造空间的，尽管第一层判定它们失败了！

现实世界的证明
论文给出了德国对阵巴拉圭的一场比赛中的生动案例。德国队拥有 73% 的控球率，但最终在点球大战中落败。系统将他们的两次控球标记为“垃圾”。当研究人员查看视频时，空间创造指数显示了一个巨大的负值：德国队在移动球权，但其防线实际上正被巴拉圭向后推。他们统治了控球，却失去了空间。

在同一场比赛中，巴拉圭也有一个因没有射门而被标记为“垃圾”的时刻。但视频分析显示，他们实际上已经控制了危险区域（具有正向的空间创造指数）。他们创造了空间，只是未能将其转化为进球。第一层会将此称为失败，但第二层揭示了这在战略上其实是成功的，只是执行上的失败。

核心结论
本文并不只是简单地说“控球率百分比不好”。它为我们提供了一种方法，将“无效”控球（死板、无聊且无用）与“创造空间型”控球（危险、具策略性但可能运气不佳）区分开来。它表明，你可以拥有一支看起来在统治球权的球队，但实际上正在输掉比赛；也可以拥有一支看起来在挣扎的球队，但实际上正在撕裂对手的防线。通过结合快速的数据扫描与深度的视频观察，作者找到了一种方法，去洞察那些在球未被踢出时，发生在空间争夺中的隐形战斗。

技术摘要：创造空间型持有与无效持有

问题陈述
传统的足球分析过度依赖控球率（possession percentage），这一指标将三种不同的战术现实混为一谈：控球的位置、控球的威胁程度以及发生的比赛状态。因此，一支在己方半场进行回收控球的球队，与一支将对手压制在其防守三分之一区域的球队，在 60% 控球率的指标下是无法区分的。现有的基于事件的框架（如 Expected Threat, VAEP, On-Ball Value）通过对带球动作进行定价来优化控球分析，但它们对“无球”问题仍然是“盲目”的：即这次控球究竟是创造了空间，还是属于无效（sterile）控球？这些模型评估的是持球球员的决策，却无法检测防守阵型是被拉开还是被压缩，而这种区分需要通常在标准转播信号中难以获取的空间数据。

方法论
本文提出了一个两层框架，通过宏观/微观的分层处理，旨在区分“创造空间型”持有与“无效”（死球）持有，以平衡计算效率与空间深度。

第一层：事件侧“垃圾控球”指数（Junk-Possession Index）
该层处理全场比赛的事件数据，以标记低威胁的控球序列。

序列估值： 比赛被划分为不同的控球序列。每个序列 $s$ $s$ 根据以下因素分配一个值 $q(s)$ $q (s)$ ：
1. 峰值威胁增益： 序列期间实现的预期威胁（xT）最大增量，即使未产生射门也会予以计入。
2. 实现的射门质量： 序列中最佳射门的 xG（使用自定义梯度提升模型）。
3. 禁区触球： 对禁区内任何触球的二元计分。
归一化： 序列值根据语料库的第 90 百分位数进行归一化。若 $q < 0.15$ ，则序列被归类为“垃圾（junk）”。
比赛状态过滤： 为了避免惩罚战术性领先保护行为，指标 junk-open 专门隔离了仅在球队平局或落后时发生的垃圾序列。
验证： 该指数通过对比赛结果（积分、进球、xG）进行测试，并与带球价值模型（VAEP）及领地指标（Field Tilt）进行对比，以确保其捕捉到了独特的方差。

第二层：空间创造指数（Spatial Space-Creation Index, SCI）
该层针对由事件层标记出的“垃圾”序列，利用短段广播视频窗口（10–60秒）来确定控球的空间属性。

流水线： 一个仅使用 CPU 的比赛状态重建（GSR）流水线，通过相机标定、多目标追踪和基于颜色的球队分配，将广播视频投影到球场坐标系中。场外球员通过一个无需训练的“幽灵（ghosting）”层进行插值补全。
指标计算： SCI 测量两个区域内——进攻三区（A）和对手进攻三区（Z）——在窗口开始与结束时净变化的球场控制份额。
$SCI = \Delta_{own} + \Delta_{opp}$
其中 $\Delta_{own}$ 是己方球队在 A 区控制权的改变， $\Delta_{opp}$ 是对手在 Z 区控制权的改变（对手控制权减少意味着防守阵型被推后）。
分类： 窗口被划分为：
- 空间创造型（Space-Creating）： SCI $\ge$ +12（夺取了危险空间或将防线推后）。
- 弱推进型（Weak Progression）： +4 $\le$ SCI < +12。
- 非空间创造型（Non-Space-Creating）： SCI < +4（静态或倒退式控球）。

关键结果

与结果的相关性： 在 2026 年 FIFA 世界杯的 206 场队赛数据中，junk-open 与积分（ $r = -0.37$ ）和 xG 差值（ $r = -0.51$ ）呈现强负相关。高控球率（带球事件占比 >55%）但低效率（高 junk-open）的球队平均进球为 0.62 个，积分为 1.00 分；相比之下，高效统治者平均进球为 2.24 个，积分为 2.24 分。
对带球价值的独立性： 在控制了 VAEP 和 Field Tilt 的回归模型中，junk-open 仍是积分的重要预测因子（ $p < 10^{-4}$ ），而 VAEP 则不显著。这证明该指数捕捉到了 VAEP 无法解释的、与结果相关的方差。
空间区分度： 在对 9 场比赛中标记出的 31 个典型“垃圾”窗口进行的定向抽样中：
- 74% 被空间分类为非空间创造型（证实了“无效/枯燥”的诊断）。
- 19% 为弱推进型。
- 6% 尽管被事件层标记为低威胁，但仍属于空间创造型（例如，巴拉圭的一个窗口，虽然没有产生射门，但夺取了进攻三区）。
案例研究： 该框架成功识别了德国在对阵巴拉圭的 32 强赛中的“无效统治”（带球事件占比 73%，SCI 为负，最终被淘汰），并将其与同一场比赛中巴拉圭一个虽有空间创造但未转化为进球的窗口区分开来。

意义与主张
本文提出了一个两层框架，利用广播数据将“创造空间但未转化”的控球与“无效”控球进行分离。其主要贡献在于证明了：

控球质量与领地是截然不同的： 高 Field Tilt（领地）并不保证积分；控球的质量（威胁生成能力）才是关键的区别因素。
无球证据是必要的： 仅基于事件的模型无法区分一个成功拉开防线但未能转化的球队，与一个循环控球但未能移动防线的球队。这种两层方法通过使用事件数据进行宏观标记，并利用广播视频进行微观空间判定，弥补了这一差距。
实际可扩展性： 宏观/微观的分层处理提供了一种实用的方案，可以在不需要完整比赛追踪数据（此类数据在广播比赛中极少获得）的情况下，实现对整个赛事规模的无球空间分析。

作者明确指出了局限性，包括对插值补全场外球员的依赖、使用全库常数设定阈值，以及对样本内得分状态关联性的描述性特征。然而，他们断言，通过样本外拆分以及对 VAEP 的独立性测试，提供了强有力的证据，证明“垃圾（junk）”标记识别出了一种独特的、与结果相关的现象。

“垃圾”控球检测器

技术摘要：创造空间型持有与无效持有

类似论文