Modelagem de Passes no Futebol via Componentes do Expected Possession Value com Redes Totalmente Convolucionais
DOI:
https://doi.org/10.5753/reic.2026.8499Keywords:
Aprendizado Profundo, Análise Esportiva, Futebol, Passes, Redes Neurais Convolucionais, EPV, Análise de Sensibilidade PosicionalAbstract
A avaliação de ações individuais no futebol é dificultada pela escassez de gols frente ao volume de eventos observados. O framework de Expected Possession Value (EPV) aborda esse problema decompondo o valor da posse em subcomponentes de passes, conduções e chutes, mas sua adaptação a novas bases de dados está longe de ser trivial. Neste trabalho, adaptamos os componentes de passe do EPV a 52 partidas da Premier League (2022--2023), construindo um pipeline de representação que codifica cada estado de jogo em 17 canais espaciais e os alimenta à arquitetura SoccerMap. Mesmo com cerca de 12× menos partidas que o estudo original, o modelo de sucesso produz superfícies com boa calibração e que superam um baseline baseado em distância, enquanto o modelo de seleção posiciona o destino real entre os 10 pixels mais prováveis em 67,6% dos casos dentre 7.072 candidatos (rank mediano 3). Exploramos ainda essas superfícies por meio de uma análise what-if que perturba a posição do jogador-alvo em passes mal-sucedidos, revelando ajustes de posicionamento possíveis e demonstrando o potencial prático do modelo para revisão tática pós-jogo.
Downloads
Referências
Anzer, G. and Bauer, P. (2022). Expected passes. Data Mining and Knowledge Discovery. DOI: 10.1007/s10618-021-00810-3.
Cervone, D., D’Amour, A., Bornn, L., and Goldsberry, K. (2016). A multiresolution stochastic process model for predicting basketball possession outcomes. Journal of the American Statistical Association.
Decroos, T., Bransen, L., Haaren, J. V., and Davis, J. (2019). Actions speak louder than goals: Valuing player actions in soccer. In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. DOI: 10.1145/3292500.3330758.
Fernández, J. and Bornn, L. (2018). Wide open spaces: A statistical technique for measuring space creation in professional soccer. In MIT Sloan Sports Analytics Conference.
Fernández, J. and Bornn, L. (2020). Soccermap: A deep learning architecture for visually-interpretable analysis in soccer.
Fernández, J., Bornn, L., and Cervone, D. (2021). A framework for the fine-grained evaluation of the instantaneous expected value of soccer possessions. Machine Learning. DOI: 10.1007/s10994-021-05989-6.
Power, P., Ruiz, H., Wei, X., and Lucey, P. (2017). Not all passes are created equal: Objectively measuring the risk and reward of passes in soccer from tracking data. In Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. DOI: 10.1145/3097983.3098051.
Rudd, S. (2011). A framework for tactical analysis and individual offensive production assessment in soccer using markov chains. In New England Symposium on Statistics in Sports.
Singh, K. (2019). Introducing expected threat (xT). Blog post.
Rudd, S. (2011). A framework for tactical analysis and individual offensive production assessment in soccer using markov chains. In New England Symposium on Statistics in Sports.
Singh, K. (2019). Introducing expected threat (xT). Blog post.
Downloads
Published
Como Citar
Issue
Section
Licença
Copyright (c) 2026 Os autores
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
