Deep Learning with Spatiotemporal Data for Team Sports Analysis

Auf der globalen Bühne des Teamsports sind Analysen entscheidend für die Leistungsoptimierung.
In letzter Zeit hat die umfassende Datenerhebung stark an Relevanz für solche
Teamsportanalysen gewonnen, wie beispielsweise die Erhebung von raum-zeitlichen Bewegungsdaten
aus modernen Trackingsystemen. Die Extraktion aussagekräftiger Informationen
über kollektive Bewegungen aus diesen Daten ist jedoch schwierig. Studien haben
daher mit der Nutzung von Deep-Learning-Algorithmen, bekannt für ihre hohe Vorhersagekraft,
begonnen. Obwohl diese Studien vereinzelte Anwendungen entwickeln, fehlt
eine systematische Erforschung über die Verwendung von Deep Learning zur Analyse
von raum-zeitlichen Daten in Teamsportanalysen.
Die vorliegende Arbeit bearbeitet diese Lücke in der Forschung durch eine Reihe von
begutachteten Veröffentlichungen. Dazu werden zunächst theoretische Überlegungen zu
raum-zeitlichen Daten in der Teamsportanalyse erörtert, welche anschließend zur Entwicklung
undAuswertung einer neuronalenNetzwerkarchitektur auf der Grundlage von Graphrepräsentationen
raum-zeitlicher Daten führen. Numerische Ergebnisse zeigen, dass Graphrepräsentationen
und entsprechende Deep-Learning-Modelle durchAusnutzung der Eigenschaften
raum-zeitlicher Daten in sportbezogenenVorhersageaufgaben exzellent abschneiden
und dabei effizienter sind als vergleichbare Architekturen.
Im Anschluss werden mehrere Teamsportanalysen unter Verwendung der entwickelten
Netzwerkarchitektur durchgeführt. Diese Analysen konzentrieren sich auf die Beziehung
zwischen maschineller und menschlicher Leistung bei der Label-Generierung, sowie auf
das Design von Aufgaben und Modellen, welche robuste Anwendungen und zuvor nicht
realisierbare Analysen ermöglichen. Die Ergebnisse zeigen, dass Deep-Learning-Modelle
gut für Automatisierungsaufgaben wie die überwachte Label-Generierung geeignet sind.
Doch mit steigender Ambiguität der verwendeten ground-truth-Labels sind eine solide
Operationalisierung und eine sorgfältige Interpretation der Ergebnisse erforderlich. Sind
diese Bedingungen erfüllt, kann die Nutzung von Deep Learning die Grenzen des Machbaren
in der Teamsportanalyse erweitern.
Die empirischen Ergebnisse dieser Dissertation werden durch Beiträge ergänzt, welche die
im Laufe der Zeit erkannten technologischen Hürden reduzieren. So erfordern beispielsweise
fortgeschrittene Teamsportanalysen oft umfassende Programmierkenntnisse. Um
diesen Herausforderungen zu begegnen, werden umfangreiche Programmcodes und Beispieldatensätze
unter Open-Source-Lizenzen veröffentlicht, um derartige Analysen signifikant
zu vereinfachen.
Abschließend lässt sich sagen, dass Deep Learning ein leistungsfähiger Ansatz für die
Teamsportanalyse mit raum-zeitlichen Daten ist, welches frühere Ansätze in den Untersuchungen
übertrifft. Die präsentierten Ergebnisse bieten wertvolle Einblicke in die effektive
Nutzung von Deep Learning für das Design von Aufgaben und Modellen, sowie die
Interpretation von Ergebnissen. Darüber hinaus erleichtert der veröffentlichte Programmcode
nachweisbar schnelle und reproduzierbare Implementierungen von Teamsportanalysen.