VERSA：為足球 Event Data 加上邏輯驗證的資料格式

5月5日
讀畢需時 5 分鐘

已更新：5月6日

足球數據分析入面，很多模型都假設 event stream 是可信的：傳球、接應、射門、封堵、搶回球權按時間順序出現，然後模型再用這些事件去計算 xG、xT、VAEP 或球員貢獻。但現實中的 event data 多數由人手或半自動標註產生，不同 provider 又有不同 schema；一旦事件順序錯、關鍵事件漏記，後面的模型再準都可能只是在學錯資料。

Jo 等喺 arXiv:2601.21981v1 提出 VERSA（Verified Event Data Format for Reliable Soccer Analytics），用 state-transition model 形式化足球比賽的事件邏輯，自動偵測同修正 event stream 內的異常序列。這篇 paper 的價值在於提醒我們：sports analytics 的可靠性，不只是模型問題，也是資料語法問題。

本文重點

VERSA 將足球比賽抽象成幾個互斥狀態，例如 Kick-off、In transition、In possession、Ball neutral、Set piece、Post shot。每個事件類型都應該觸發合法的狀態轉移；如果某個事件在當前狀態不可能發生，系統就把它標記為 logical exception，並透過 rule-based handler 修正。

作者在 Bepro、StatsBomb、Wyscout 三類資料上測試，發現邏輯例外並不罕見。例如 Bepro 的 K League 1 2024 season 中，18.81% 已記錄事件出現邏輯不一致；Wyscout 多個聯賽的 exception rate 更接近 38%，主要因為它沒有顯式記錄 Pass Received。修正後，VERSA 在跨 provider 一致性與 VAEP 下游模型表現上都比 SPADL、Atomic-SPADL 更穩定。

一、為何 event stream 需要「語法檢查」

足球 event stream 通常記錄每次 on-ball action：誰做了動作、在甚麼位置、甚麼時間、事件類型和結果。這些資料支撐很多常見模型，包括 Expected Goals (xG)、Expected Threat (xT)、以及 VAEP 這類 action-value model。

問題是，event stream 並不是天然乾淨的真相。標註員可能因為鏡頭角度、主觀判斷、時間同步誤差而記錯事件；不同 provider 對同一類事件亦可能有不同定義。例如一個 provider 可能記錄 Carry，另一個 provider 可能不記；一個叫 Error，另一個叫 Miscontrol。

更嚴重的是邏輯順序錯誤。若 Block 被記錄在 Shot 之前，模型就可能無法知道這個 Block 其實是阻止射門的防守貢獻。若成功傳球之後直接出現 Shot，但中間沒有 Pass Received，VAEP 之類模型在分配球員行動價值時就會被扭曲。

二、VERSA 的狀態轉移模型

VERSA 的核心是把比賽過程寫成一個 state machine。作者定義六個主要狀態：

Kick-off：開波或入球後重新開始。
In transition：球正在兩名球員之間移動，暫時未被完全控制。
In possession：某名球員已完全控制皮球，可作傳球、盤帶、射門等動作。
Ball neutral：皮球因反彈、封堵、折射等原因暫時無明確控制方。
Set piece：死球重開，例如 free kick、corner、throw-in。
Post shot：射門之後，視乎 Goal、Catch、Block、Out 等結果轉移。

每個 event label 都對應某種合法轉移。例如 Pass 會把狀態推向 In transition；Pass Received 才能把球權落到 In possession；Shot 通常需要在 In possession 狀態下發生。對 off-ball 或不改變狀態的事件，系統使用 self-loop。

這種設計的好處是清楚：如果一個事件不能從當前狀態合法轉移，就代表資料很可能有漏記、錯序或 provider schema 差異。

三、VERSA 怎樣修正錯誤

論文展示兩類典型 handler。

第一是事件順序錯誤，例如 Block → Shot。在足球語義上，Block 通常是對 Shot 的反應；若原始資料將 Block 記在 Shot 前面，VERSA 會偵測到 Block 不能在當前狀態合法發生，然後把序列修正成 Shot → Block。

第二是缺失事件，例如成功 Pass 後直接出現 Carry 或 Shot，但中間沒有 Pass Received。若 Shot 只能在 In possession 狀態發生，而目前狀態仍是 In transition，handler 就會補入缺失的 Pass Received，令序列重新符合比賽邏輯。

這些修正不只是資料清洗；它會直接影響球員貢獻評估。事件順序改變後，同一段攻勢裡每個 action 的 VAEP value 可能重新分配，防守、接應、推進的價值也會更合理。

四、不同 provider 的異常模式

作者使用三個主要資料來源：Bepro 的 K League 1 / K League 2（2021 至 2025）、StatsBomb 的 J1 League、La Liga、2018 World Cup，以及 Wyscout 的歐洲五大聯賽與 2018 World Cup。

在 exception 分析中，各 provider 呈現不同模式。Bepro 和 StatsBomb 的主要 exception 多數是 Carry，例如同一球員連續兩個動作之間移動超過 3 米但資料沒有記錄 Carry；StatsBomb 有時亦會把很細微甚至靜止狀態記成 Carry。Wyscout 則大量缺少 Pass Received，因此在 VERSA 的語法下會被標記為 missing event。

這解釋了為何跨 provider 分析困難：兩份資料可能描述同一場比賽，但事件粒度、命名和隱含假設不同。若不先統一語法，直接比較球員評分或訓練模型，很容易混入 provider bias。

五、跨 provider 一致性與 VAEP 結果

作者用 StatsBomb 與 Wyscout 都覆蓋的 La Liga 2017/2018 和 2018 World Cup 做 cross-provider consistency 評估。指標包括 event sequence 的 Normalized Edit Similarity，以及兩個 provider 計算出的 VAEP 半場總值 Pearson correlation。

結果顯示，VERSA 和 Simplified VERSA 的一致性高於 SPADL 與 Atomic-SPADL。以 La Liga 為例，Normalized Edit Similarity 由 SPADL 的 0.532、Atomic-SPADL 的 0.660，提升到 VERSA 的 0.684，以及 Simplified VERSA 的 0.769。VAEP correlation 亦由 SPADL 的 0.890、Atomic-SPADL 的 0.947，提升到 VERSA 的 0.958 和 Simplified VERSA 的 0.962。

在下游 VAEP 模型方面，作者用 CatBoost 在三個 provider 混合資料上訓練並測試。VERSA 大多數情況下取得更高 AUROC、更低 Log Loss / Brier Score / ECE。例如在 Bepro 資料上，VERSA 的 scoring / conceding AUROC 為 0.8938 / 0.9010，高於 Atomic-SPADL 的 0.8617 / 0.8446。

六、分析含意

VERSA 的意義不只是「又一個足球資料格式」。它將 event data 的可靠性問題變成可驗證的形式邏輯：事件是否能從當前狀態發生？是否需要補一個 implicit event？是否需要重排前後順序？

對球隊分析、球員評估、跨聯賽 scouting、以及任何需要合併不同 provider 資料的模型而言，這層 verification 很重要。模型表現若建立在錯序或缺失事件之上，最後得到的球員價值可能看似精密，實際上卻不穩定。

七、限制與可延伸方向

第一，VERSA 的 correction handler 仍是 rule-based。這令系統可解釋，但亦意味它依賴人工定義的足球語法；不同聯賽、不同 provider、甚至不同戰術風格下，某些例外可能需要額外規則。

第二，state-transition model 把足球事件離散化，對複雜的同時事件、身體對抗、VAR 或混亂禁區情境未必能完整表達。若未來結合 tracking data，可能可以更準確判斷是否真的需要補 Carry、Interception 或 Pass Received。

第三，VERSA 改善資料一致性，不代表所有 provider 差異都應該被消除。有些差異可能來自真實標註哲學，而不是錯誤；因此 Simplified VERSA 這種「降低粒度以提升一致性」的做法，應按使用場景取捨。

八、小結

arXiv:2601.21981v1 提出一個很實用的觀點：足球 AI 模型要可靠，先要確保 event stream 自己有邏輯。VERSA 用 state-transition model 將這件事形式化，既能偵測錯序與缺失事件，也能提升跨 provider 一致性與 VAEP 類模型表現。

對 sports analytics 團隊而言，這篇 paper 值得放入資料 pipeline 設計清單：在談更複雜模型之前，先問 event data 是否通過了比賽語法檢查。

Reference

G. Jo, M. Kang, K. Lee, M. Lee, P. Bauer, S.-K. Ko. VERSA: Verified Event Data Format for Reliable Soccer Analytics. arXiv:2601.21981v1 [cs.AI], 2026. https://arxiv.org/abs/2601.21981
T. Decroos, L. Bransen, J. Van Haaren, J. Davis. Actions Speak Louder than Goals: Valuing Player Actions in Soccer. KDD, 2019.
DTAI Sports Analytics Lab. Introducing Atomic-SPADL: A New Way to Represent Event Stream Data. 2020.