用 Attacker-Defender Model 評估足球盤帶中的攻守移動

5月5日
讀畢需時 5 分鐘

已更新：5月7日

足球 tracking data 令我們可以逐幀觀察球員跑動，但「如何解釋」這些跑動仍然不容易。純 machine learning 模型可以追求預測準確度，但未必容易說清楚球員為何這樣移動；相反，物理啟發模型雖然簡化，卻能把球員行為拆成較可解釋的力與參數。

Narizuka 與 Yamazaki 在 arXiv:2512.22596v1 研究 Attacker-Defender (AD) model，用一組二維運動方程描述盤帶者與最近防守球員之間的互動。論文不只重用 Brink 等（2023）的模型，亦改良 parameter optimization，並用 306 場 J1 League 2023 tracking / event data 驗證，最終分析 31,028 次盤帶事件。

本文重點

AD model 將盤帶場景簡化為兩名球員：持球者（attacker）與最近防守者（defender）。兩人的速度變化由三種因素組成：速度阻力、朝球門方向的 driving force、以及朝對手方向或遠離對手方向的 interaction force。

這種模型的價值在於參數可解釋。不同參數符號組合可對應不同盤帶或防守風格，例如向前推進並遠離防守者、主動朝防守者推進、向後保護球權、或在高風險區域主動上搶。作者的改良方法亦令成功擬合事件比例由 85.4% 提升至 88.5%。

一、為何要用物理模型理解盤帶

在足球 analytics 中，短期 player trajectory generation 可以用深度學習，也可以用物理模型。前者通常較靈活，後者則較容易解釋。對盤帶情境而言，分析重點往往不是單純「下一秒球員在哪裡」，而是球員面對防守壓力時採取甚麼移動策略。

AD model 延續 Keller sprint model 與 Fujimura-Sugihara 二維球員運動模型，再加入 attacker 與 defender 之間的互動。它假設球員移動可以被看成一種受阻力、目標方向與對手方向共同影響的運動。

對教練或數據團隊來講，這種模型比黑箱軌跡預測更容易轉化成語言：某名邊鋒是否傾向向防守者挑戰？某名中堅是否常在 build-up 時安全帶球推進？某名前鋒防守時是回撤封線，還是直接逼近持球者？

二、資料與盤帶事件抽取

作者使用 DataStadium Inc. 提供的 J1 League 2023 資料，共 306 場比賽。Tracking data 每 0.04 秒記錄所有球員的絕對座標；event data 則提供 ball possession、passes、shots 等時間戳。

研究聚焦於盤帶場景。作者抽取持球者與最近防守者的 tracking data，並只保留符合三個條件的事件：最近防守者在盤帶期間沒有改變、持球時間超過 0.5 秒、攻守雙方線性移動距離都超過 5 米。最後得到 31,028 次 dribbling events，比前作分析的 1,573 次大得多。

三、AD model 的參數直覺

模型分別描述 attacker 與 defender 的速度變化。每名球員都有一個阻力項，表示速度會隨時間衰減；另有 driving force，結合球門方向與對手方向。

對 attacker 而言，關鍵參數包括 f_a 與 beta_a。它們的符號組合可把盤帶行為分成四個象限：

A1：朝對方球門推進，同時遠離防守者。
A2：遠離對方球門，但朝防守者方向移動。
A3：朝對方球門，同時朝防守者推進。
A4：遠離對方球門，同時遠離防守者。

對 defender 而言，f_d 與 beta_d 同樣分成四類防守動作，例如回撤至己方球門方向並靠近 attacker、遠離 attacker 以防止直接突破、或在禁區附近主動挑戰高風險盤帶。

四、改良 parameter optimization

前作會同時解 attacker 與 defender 的 coupled equations，再一起優化六個參數。這篇 paper 改為獨立解兩名球員的方程：要優化 attacker 時，固定 defender 的真實軌跡；要優化 defender 時，固定 attacker 的真實軌跡。

這個改動有兩個效果。第一，參數空間維度下降，計算成本降低。第二，擬合成功事件增加。作者使用 Latin hypercube sampling 產生 100 組初始參數，再用 SciPy 的 COBYLA 做 optimization。若 attacker 與 defender 的 trajectory error 都低於 0.1，視為成功擬合。

在 31,028 次盤帶中，原方法有 26,492 次（85.4%）達標；改良方法有 27,457 次（88.5%）達標。這代表它不只是更省算力，亦更容易在大型資料上產生可用參數。

五、攻擊者風格：由 build-up 到一對一挑戰

作者根據 attacker 參數把 31,028 條盤帶軌跡分成 A1 至 A4。

A1 常見於朝前推進並保持安全距離的盤帶，也包括吸引防守者後再出球的情境。論文提到中堅在 build-up play 中常出現在這一類，代表他們帶球時傾向穩定推進而非直接挑戰。

A2 表示遠離對方球門但朝防守者移動，常見於背壓下保護球權，或球員主動帶向附近防守者的場景。A3 則更接近我們直覺上的一對一進攻：持球者向前推進，同時直接朝防守者挑戰，往往接近 scoring chance，因此對評估攻擊手很重要。

A4 則包括受後方壓力時向前加速遠離防守者，或向後盤帶引誘防守者的情況。這類參數化分類令盤帶不再只是距離、速度、成功率，而是可以分辨「如何面對防守壓力」。

六、防守者風格：逼搶、回撤與高風險挑戰

defender 的四個象限亦提供可解釋分類。

D1 包括一邊向己方球門方向移動、一邊靠近 attacker 的防守，常見於前鋒參與防守時的 pressing 或引導持球者往邊線走。D2 則偏向遠離 attacker 的回撤，目標是避免被直接突破至危險區。

D3 描述防守者遠離對方球門但靠近 attacker，典型情境是處理側翼帶入的盤帶。D4 則常出現在禁區附近的高風險挑戰：防守者主動靠近 attacker，而這類盤帶往往可能導向射門機會，所以對評估防守者尤其關鍵。

這些分類可用於 scouting 或 tactical profiling。例如一名前鋒在防守時是否常出現在 D1，可能反映其逼搶角色；一名後衛在 D4 的表現，則可能更接近禁區前最後防線的質量。

七、限制與後續方向

第一，AD model 是二人互動模型，只看持球者與最近防守者。實際足球盤帶會受隊友跑位、第二防守者、邊線、空間壓縮、球速與戰術任務影響；這些因素在模型中被大幅簡化。

第二，論文提到部分 optimized parameters 會貼近邊界，顯示現有 error function 仍有改善空間。作者建議未來可加入 velocity、acceleration 相關 penalty，使擬合結果更符合球員運動限制。

第三，四象限分類雖然可解釋，但仍需要與比賽語境結合。A3 未必一定代表好盤帶，D4 亦未必一定代表好防守；它們只是描述 movement tendency，真正價值仍要結合區域、比分、隊形與後續事件。

八、小結

arXiv:2512.22596v1 展示了 physics-based sports analytics 的一個實用方向：用可解釋的運動方程，把盤帶中的攻守互動轉化成參數，再由參數分辨球員風格。

對足球數據團隊而言，這類模型未必取代深度學習軌跡預測，但可以補上黑箱模型不擅長的部分：用簡潔、可討論、可視覺化的方式，描述球員在壓力下如何移動。

Reference

T. Narizuka, I. Yamazaki. Evaluating Soccer Player Movements Using the Attacker-Defender Model. arXiv:2512.22596v1 [physics.soc-ph], 2025. https://arxiv.org/abs/2512.22596
L. Brink, S. K. Ha, J. Snowdon, F. Vidal-Codina, B. Rauch, F. Wang, D. Wu, M. A. López-Felip, C. Clanet, A. E. Hosoi. Analyzing dribbling in soccer with the attacker-defender model. Scientific Reports, 2023.
A. Fujimura, K. Sugihara. Geometric analysis and quantitative evaluation of sport teamwork. Systems and Computers in Japan, 2005.