Analysieren Sie ein Fußballspiel: ähnliche Spieler mit DBSCAN und ähnliche Flugbahnen mit TRACLUS

Ich versuche, einen Datensatz zu analysieren, der von Sensoren stammt, die sich in einem Spiel in der Nähe der Schuhe der Spieler befinden ( http://www.orgs.ttu.edu/debs2013/index.php?goto=cfchallengedetails ).

Ich habe mich für Clustering entschieden, um Folgendes zu identifizieren:

1. Ähnliche Flugbahnen von Spielern im Spiel unter Verwendung des TRACLUS-Clustering-Algorithmus

2. Ähnliche Spieler zählen einige Merkmale wie erfolglose Passagen, erfolglose Kreuze, Schüsse und Zweikämpfe. Ich dachte, DBSCAN zu verwenden, um sie zu gruppieren.

3. Gruppenspieler, die den Ball häufiger aneinander weitergeben. Wie kann ich sie gruppieren?

Kann ich etwas anderes aus dieser Art von Datensatz ausnutzen? Gibt es eine andere Eigenschaft, die ich in Punkt 2 verwenden kann?

Es gibt dort 2 Fragen (1. Punkt ist keine Frage). Alle Antworten sind unten.

Frage 1: Wie können Sie Spieler gruppieren, die den Ball häufiger aneinander weitergeben?

Meiner Ansicht nach ist dies eine geladene Aufgabe, die besser in Folgendes unterteilt ist:

• Identifizieren Sie, ob ein Spieler einen Ball weitergibt. Sie müssen sich die Verteilung der sensorischen Daten ansehen, die häufig mit Aktionen im Zusammenhang mit dem Passieren von Bällen verbunden sind. Viele Möglichkeiten, dies zu tun. Ein einmaliger Weg könnte darin bestehen, diesen emperisch gesammelten Datensatz in einem 3D-Spiel zu replizieren, in dem Sie Spieler mit ähnlichen Sensoren laden. Das Schöne am Spiel ist, dass Sie die Zielvariablen identifizieren können, die Sie vorhersagen möchten (dh Sie wissen, ob sie den Ball weitergeben). Auf diese Weise können Sie mithilfe des Spiels die Verteilung sensorischer Daten mit den Zielvariablen korrelieren und schließlich einen beschrifteten Satz von Stichproben generieren. Schließlich wenden Sie einen Domänenanpassungsschritt an, mit dem Ihr 3D-Spielmodell in das von der Domäne emperisch gesammelte Dataset transformiert wird (sodass Sie es dort mit weniger Fehlern ausführen können als ohne den Domänenanpassungsschritt).
• Identifizieren Sie, ob ein Spieler einen Ball erhält. Ähnlich wie oben, jedoch zur Verteilung sensorischer Daten beim Empfang von Bällen.
• Identifizieren verknüpfter Pässe und Empfänge. Dies ist relativ trivial: Zwei Spieler geben sich gegenseitig Bälle, wenn nach einem Pass ein Empfang erfolgt. Um das Rauschen zu reduzieren, möchten Sie dieser Annahme möglicherweise zusätzliche Einschränkungen hinzufügen, um sicherzustellen, dass versehentliche Durchgänge von absichtlichen getrennt werden.

F2: Kann ich etwas anderes aus dieser Art von Datensatz ausnutzen? (damit Sie Punkt 2 erweitern)

• Müdigkeit / Ausdauer / Geschwindigkeit als Funktion von Aktivität und Zeit. Dies könnte möglicherweise leicht abzuschätzen sein, wenn man die Frequenzgeschwindigkeit betrachtet, mit der sich die Positionen / Geschwindigkeit der Sensoren ändern.
• Sobald Sie den obigen Punkt identifiziert haben, können Sie andere Parameter wie die Wiederherstellungszeit schätzen.
• Korrelieren Sie außerdem alle oben genannten Punkte mit der Beziehung des Spielers zu seinem Team. Passiert ein Spieler beispielsweise häufiger Bälle, wenn er müde ist? An wen oder in welche Richtungen neigt er dazu, Bälle zu spielen, wenn er müde ist? Ändert er seine vorbeifahrenden Ziele / Richtungen, wenn er seine Ausdauer wiedererlangt?