playbox
playbox
联系我们
返回文章列表
<足球分析幕后：第 2 部分>守门员分析（xG、VAEP）

<足球分析幕后：第 2 部分>守门员分析（xG、VAEP）

Date published:2025/5/27

序言

大家好，我是 Playbox 的斯科特。

在第一部分中，我们向大家展示了如何从转播镜头中获取比赛数据的幕后分析。希望大家喜欢！

在第二部分中，我们将最终使用这些数据进行一些具体分析。主题是 "持球者分析"。我们将向您展示如何使用xG（进球期望值）和 VAEP（量化比赛质量）等指标，以简单易懂的方式评估球员和球队的表现。

本期的作者中村先生是筑波大学踢球队的现役分析师，同时也从事计算机视觉研究。他对实战与理论之间联系的看法是本期必读内容（！）。

筑波大学培养的分析师扭转了比赛局面......与柏队的激烈比赛幕后花絮，击败 J1 边锋町田队：东京新闻数码。

请继续欣赏我们的三部曲系列 "足球分析幕后"！

  • 足球分析幕后：第 1 部分 如何从转播镜头中获取比赛数据
  • 足球分析幕后：第 2 部分 持球者分析（xG、VAEP）
  • 足球分析幕后：第 3 部分 分析有球进攻模式 (OBSO)

介绍。

除了记录单个球员位置信息的跟踪数据外，事件数据（记录球上发生的情况（持球））也经常用于足球战术分析，如第 1 部分所述。

然而，只看事件数据中的一个动作就 "只是发生了一个事件"，无法确定其价值和难度。只有引入指标，并结合前后动作进行评估，才有可能回顾过去，说出 "这场比赛真的很棒吗？"以及 "它的价值有多大？

例如，请看下面这段视频。 这是特罗萨德运球过人，马蒂内利迎球头球破门的一幕。

你如何评价这场比赛？ "这是一个决定吗？或者你可能会觉得："不，这是个无解的球。"或者 "现在过人时就像进球一样。"

实际的难度和价值是什么？这些印象都是主观的，可能因人而异。

因此，我们在此介绍的是一种名为 "xG（预期进球）"和 "VAEP（通过估计概率评估动作价值）"的指数，它从转播镜头中提取球员的位置和每个动作中的动作类型，并用它们来确定射门这种方法对射门的难度和射门动作的质量进行量化评估！这两个指标的主要特点是，它们不仅可用于客观量化进球中涉及的射门事件，还可用于评估传球、运球等相关球员的贡献。

什么是 xG？

什么是 xG？

**xG（预期进球）** 是一个指标，用于量化射门导致进球的概率，范围在 0 到 1 之间。 例如，xG 值为 0.10 的射门成功概率为 10%，这意味着十次射门中只有一次能够进球，难度很大。

虽然足球是一项很难进球的运动，但 xG 可以用来量化每次射门的质量。

如何计算 xG

那么，xG 是如何计算的呢？ 传统上，计算 xG 时只需考虑以下简单因素

  • 滑道的位置
  • 射门类型
  • 击球运动员的状态

实际上，在筑波大学踢球俱乐部确定 xG 时、

  • 将 PA 周围的区域划分为网格，逐个区域划分
  • 按情况，如直接射门还是后脚射门。

为每种情况设定权重，然后相乘，手动计算出每次击球的 xG。例如，如果您为球门中心区域设置 x0.8，为优势脚直接射门设置 x0.8，则该射门的 xG 为 0.64。

然而，足球比赛中的实际射门情况并不那么简单，无法仅根据上述因素进行划分。 因此，使用人工智能模型的方法是目前计算 xG 的主流。目前已经提出了多种方法，以下是计算中使用的部分数据

  • 射门距离
  • 与球门的角度
  • 射门类型
  • 射门前的事件类型
  • 后卫/守门员的位置
  • 球员速度

使用人工智能，可以根据这些多重因素将以前记录的射门数据与以前记录的射门数据进行比较，从而进行详细的 xG 计算。

使用 xG 进行分析的示例

下面是一些使用 xG 进行分析的示例！

逐场景分析

首先，让我们看看使用人工智能模型实际计算训练 xG 的几个场景的 xG 值。

1. 亚足联亚洲区决赛资格赛 日本 vs. 澳大利亚 米特的射门

Mitate 这次射门的 xG 值为 "0.032"。这意味着这一球的命中概率为 3.2%，也就是说，这是一记难度很大的球。这个数字是由于距离球门的角度和距离并不近。

2. 亚足联亚洲区决赛资格赛 日本 vs 中国 米特比分

三俣这脚射门的 xG 值为 0.135，这意味着他有 13.5% 的机会射门得分，这也是一脚难度很大的射门，但可以肯定的是，三俣的射门非常果断。虽然这是一次头球射门，与球门的角度很小，但与球门的距离却比之前的射门近了很多，因此可以说 xG 也有了提高。

在这个案例中，我们使用的人工智能模型学习的是简单的特征，例如到球门的距离和角度以及射门的位置，但如前所述，如果人工智能模型学习守门员的位置和射门前的事件作为特征，则可以更精确地计算 xG！

逐场分析

接下来是一个使用 xG 进行逐场分析的例子。

以下是最近西甲第 35 轮巴塞罗那对阵皇家马德里的比赛数据。 (摘自 FOTMOB）

本场比赛巴塞罗那以 4 比 3 获胜，让我们来看看本场比赛的 xG。 巴萨的 xG 为 4.26，而皇马的 xG 为 2.74。实际得分几乎按顺序反映了这一点，但巴萨的 xG 高于实际得分，因此他们可以回过头来说，如果他们打进了该进的球，并果断射门的话，他们本可以多进一个球。另一方面，皇马的 xG 低于他们的实际得分，这表明他们在相对困难的射门时很果断。

stats.webp

下图还显示了筑波大学在 2024 赛季某场比赛中 xG 的热图可视化。 (使用来自 Bepro 的赛事数据）。

从图中可以看出，在球门线中线附近、球门区左前方和罚球弧附近的得分机会最多。这种可视化不仅可以用来回顾球队的进攻，还可以用来分析对手的弱点。 通过将 xG 数据与导致射门的最后一次传球的类型和区域相结合，我们相信可以根据数据提出射门练习建议。

heatmap.webp

xG 是一个相对简单的指标，但这也使其直观易懂、

  • 一次射门
  • 一场比赛中的所有投篮
  • 一支球队在一个赛季中的投篮次数
  • 每个球员的射门次数

我个人认为这是一个非常好的指标，因为它用途广泛，而且与进球直接相关，可以用来分析以下问题

什么是 VAEP？

到目前为止，我们已经介绍了评估 "每次射门 "的 xG。接下来，我们将介绍 VAEP，它不仅可用于评估射门，还可用于评估 "动作"！

什么是 VAEP？

VAEP（通过估计概率评估行动价值）由汤姆-德克罗斯和他在比利时鲁汶大学（鲁汶天主教大学）DTAI 体育分析实验室的同事开发。它由汤姆-德克罗斯等人开发。 VAEP 对射门前的每一个球上动作（传球、运球、拦截等）进行量化，并计算该动作对球队进球预期的改变程度。

使用前面介绍的 xG，可以计算并评估出手球员的得分可能性。然而，由于一场比赛中真正导致射门的场面并不多，而且没有考虑射门球员以外的其他场面，因此评估结果是有限的。 另一方面，使用 VAEP 不仅可以量化射门的价值，还可以量化射门前的动作，如传球和运球，从而可以评估更多球员对球队的贡献！

如何计算 VAEP

VAEP 量化了 "某次比赛前后球队状态值的变化程度"。 计算步骤如下

  1. 找出行动前的状态值
  2. 找出行动后的状态值
  3. VAEP = （行动后状态值）- （行动前状态值）

这里的状态值为（预期得分）-（预期损失）。

例如，如果起球前的状态值为 0.10，起球后的状态值为 0.25，则这次起球的 VAEP 为 +0.15，可以认为这次起球对你的球队产生了 0.15 个进球的影响。 另一方面，如果传球前的状态值为 0.10，传球后的状态值为 0.05，则这次传球的 VAEP 为 -0.05，这次传球的效果可以被评估为对对方球队有利 0.05 球。

如上所述，计算 VAEP 需要确定预期进球数和预期失球数。 计算时会用到两种机器学习模型：进球模型和失球模型。

这些模型将目标动作及其之前的三个动作和之前的一个或两个动作作为单一输入数据（状态），并计算每个动作的预期得分和预期失球。

  • 动作类型（传球、运球、射门等）
  • 球/球员的位置信息
  • 动作之间的时间差和距离
  • 到球门的距离和角度

输入是大量的特征值，例如然后，每个状态都会被标记并学习为 "如果球员在 k 场比赛中进球（或失球）则为 1，否则为 0"。

通过这种方式使用学习到的模型，系统可以在每次行动前后计算出 "在这种情况下进球的概率是多少 "和 "失球的概率是多少"。

使用 VAEP 进行分析的示例

在两个场景中计算 VAEP！ 只涉及每次射门前的六个动作。

1. 亚足联亚洲区决赛资格赛日本 vs. 澳大利亚 Mitate 射门

我们也来计算一下刚才计算 xG 的场景的 VAEP！ 下图显示了分析结果，其中进攻_值和防守_值分别代表对进球和失球的影响。在这个场景中，VAEP 值很低，因为 Mitsuru 的射门在禁区外，而他射门前的运球可以被评估为有效渗透，因为 VAEP 值很高。另外，请注意森田的长传，他在这一场景中的 VAEP 最高。虽然这不是一个直接导致进球的动作，但可以量化为一个有效的动作，使他们明显更接近对方球门。

undefined

2. 英超联赛，第 36 节，利物浦对阵阿森纳，球员马蒂内利进球。

这就是我们开头提到的场景！你们给它打了多少分？ 请看下面的分析。在这个场景中，马蒂内利的 VAEP 值要高得多，因为他用头球攻入了一球；VAEP 值是根据预期进球数计算的，因此直接导致进球的射手的 VAEP 值往往较高。同样，值得注意的还有特罗萨德的传中，他得到了助攻。与其他动作相比，他的 VAEP 值更高，这说明他能够进行决定性的传球！

undefined

从这两个场景的分析中可以看出，VAEP 可以用来量化所有参与射门准备的球员的动作效果，而不仅仅是射门的球员！ 通过计算整场比赛的 VAEP，您可以比较哪些球员更有效，而且由于 VAEP 是针对每个动作计算的，您还可以回顾一下，看看何时以及在哪些方面进攻更有效！

总结。

在没有官方数据的情况下，使用转播镜头为高级战术分析打开了新的大门。此外，通过 xG 和 VAEP 等指标可视化比赛的价值，还能帮助我们询问："哪名球员能起到决定性作用？这就实现了基于数据的球员评估，例如 "这名球员虽然还没有取得成绩，但他很优秀"，这可以用于分析，当然也可以用于球员收购！

未来，如果基于人工智能的自动跟踪和流媒体视频分析技术不断进步，实时显示 xG 和 VAEP 分数将不再是梦想。此外，不仅职业球队，业余球队也能利用视频录像深化战术分析。

我们打算继续更新我们的系统和利用广播视频分析 xG 和 VAEP 分析的专有技术，并为足球队和媒体引进这项技术提供支持。如果您对此感兴趣，请随时与我们联系。

Playbox Inc. 网站 👉️ https://www.play-box.ai/

Playbox，一款经济实惠、可自动拍摄和编辑的人工智能运动摄像机 👉️ https://www.play-box.ai/lp

联系我们。

如果您对 Playbox 有任何问题、疑问或商业建议，请随时通过以下电子邮件地址联系我们。

📩 ato m@play-box.ai