用 GNN 評估足球傳球決策：Football Pass MPNN 如何預測最佳接應者

5天前
讀畢需時 9 分鐘

一腳傳球好不好，不能只看它最後有沒有到腳。

在足球分析入面，傳球成功率是一個很容易理解、也很容易誤導人的指標。中堅在無壓力下橫傳五碼，成功率很高；中場在半轉身情況下打穿兩線防守，即使失敗，也可能代表一個更有價值的戰術意圖。如果分析只看已經發生的一腳，而不看當時有甚麼其他選擇，就很難真正評估球員的 decision-making。

這篇 paper《Evaluating passing decision-making in professional football: An enhanced MPNN approach to Receiver Selection》正是針對這個問題。作者提出 Football Pass MPNN，用 Graph Neural Network 把球場上一次傳球決策建成動態圖，預測傳球者在當下最可能或最合理選擇哪一位隊友作接應者。

它的重點不是再做一個傳球成功率模型，而是問：在球員出腳那一刻，十個隊友之中，哪幾個才是真正可行、合理、有戰術意義的選項？

本文重點

本文想介紹的不是「GNN 可以用在足球」，而是這篇研究如何把傳球決策拆成一個可計算的 receiver selection problem。

它把傳球者放在一個 star graph 的中心，隊友是候選接應點，傳球路線是 edge。每條 edge 不只是距離，還包括傳球角度、對手阻擋與壓力。模型最後輸出的是每個隊友成為接應者的機率分佈，而不是單一 yes/no 判斷。

在 369 場國際賽、約 216,000 次成功 open-play passes 上，Football Pass MPNN 達到 Top-1 accuracy 75.83%、Top-3 accuracy 97.80%，並把結果轉成三個比較易給教練與分析員使用的指標：Best Pass Score、Good Pass Score 與 Creativity Ratio。

為甚麼傳球成功率不夠？

傳球成功率衡量的是 outcome。它回答「這一腳有沒有成功到達隊友」，但不直接回答「這一腳是否是當時最好的選擇」。

問題在於足球的傳球決策充滿替代選項。

一位防中可能有三個選擇：橫傳給中堅、回傳給門將、或者在壓力下向前找半空位的八號位。前兩個選項更安全，第三個選項更有推進價值。若模型只看 execution outcome，安全球會長期被獎勵，冒險但合理的 line-breaking pass 反而被低估。

更專業的分析應該比較「實際選擇」與「當時所有可選擇」。這就是 receiver selection 的價值。

作者的設定是：在傳球一刻，給定攻守雙方位置、速度、加速度、壓力與傳球路線幾何特徵，模型要估計傳球者會選哪一位隊友。若模型認為某個接應者明顯更合理，但球員選了另一個低機率選項，這就可能是一個值得重看片段的 decision-making moment。

資料：event data 加 tracking data

研究使用 369 場國際賽資料，來源包括 UEFA Nations League 2024 與 FIFA World Cup Qualifiers 2026。它結合兩種資料：

Event data： 提供傳球、射門等語義標籤。
Tracking data： 以 25 Hz 記錄 22 名球員與皮球的連續座標。

這兩類資料要同步並不簡單。Event data 是離散事件，tracking data 是連續時間序列。作者用一個基於 Needleman-Wunsch Algorithm 的優化同步流程，把每個傳球事件對應到相應 tracking frame，報告的同步成功率是 91.3%。

同步後，研究得到約 216,000 次成功 open-play passes 作訓練。這裡有一個重要前提：paper 把精英足球中的成功傳球視作某種「合理選擇」或「expert proxy」。換句話說，模型學到的是職業球員在成功傳球情境中的選擇模式，而不是從完整反事實模擬中直接證明某一腳必然是最優。

這個設定很實用，但也要謹慎理解。它適合學習 tactical preference 與 spatial feasibility，卻不等於已經解決「失敗傳球中本來應該傳哪裏」的全部因果問題。

把一次傳球建成 star graph

這篇研究最有意思的地方，是它沒有把全場所有球員建成 fully connected graph。

Fully connected graph 很有表達力，因為每個球員都可以和每個球員互相連接。但在足球追蹤資料中，這也會帶來較高計算成本，並可能讓模型花很多容量處理與當前傳球決策無關的關係。

Football Pass MPNN 採用更直接的 passer-centric 設計：

節點是進攻方 11 名球員。
傳球者是中心節點。
edge 只由傳球者指向每一位潛在接應隊友。
防守球員不作為圖上的獨立節點，而是被編碼到壓力與傳球路線特徵入面。

這種 star graph 的 inductive bias 很清楚：當前任務不是重建整個球場的社交網絡，而是評估「傳球者面前的十個選項」。

每個球員節點包含位置、速度、加速度與局部壓力等資訊。每條傳球 edge 則包含三類核心特徵：傳球距離、傳球者身體方向與接應者方向之間的角度，以及傳球路線上的對手阻擋程度。

其中 obstruction 的想法很貼近足球直覺。模型不是只問「隊友離我多遠」，而是問「這條 passing lane 中間有多少防守者、角度是否被封、球員是否需要大幅轉身」。這令 edge 本身變成一條有戰術含義的傳球路線。

MPNN 在這裏學甚麼？

MPNN 即 Message Passing Neural Network。簡單講，它讓節點與 edge 的資訊在圖上反覆交換，最後為每位候選接應者產生一個分數。

在這篇 paper 入面，模型先把 node features 與 edge features 投射到 latent space，再做多層 message passing。最後，readout layer 為每個隊友輸出一個未標準化分數，並用 softmax 轉成機率分佈。

這一點很重要：模型不是說「這一腳應該傳 A，不應該傳 B」。它輸出的是：

Receiver A: 0.52
Receiver B: 0.31
Receiver C: 0.10
...

這種分佈式輸出更符合足球現實。很多時候球員不是面對唯一正確答案，而是在安全、推進、創造力、身體姿勢與防守壓力之間取捨。Top-1 可能是最低風險選擇，Top-3 則可能是一組合理傳球窗口。

作者用 Optuna 做 hyperparameter search，最佳設定包括 512 hidden dimension、5 層 message passing、dropout 0.15、batch size 64，以及 max aggregation。max aggregator 表現較好，某程度上也符合傳球決策的直覺：球員在高壓時間中，往往不是平均所有訊號，而是抓住最關鍵的空間或威脅訊號。

實驗結果：Top-3 幾乎捕捉到實際選擇

測試集約 32,456 次傳球，模型與幾個 baseline 比較：

最近隊友 heuristic：Top-1 accuracy 27.58%，Top-3 accuracy 63.85%。
Logistic Regression：Top-1 accuracy 43.63%，Top-3 accuracy 79.67%。
LambdaMART：Top-1 accuracy 44.62%，Top-3 accuracy 80.61%。
Football Pass MPNN：Top-1 accuracy 75.83%，Top-3 accuracy 97.80%。

這組數字說明兩件事。

第一，只靠距離不夠。最近的隊友不一定是最合理接應者，尤其在職業足球中，傳球方向、壓力、身體姿勢與 tactical lane 都會改變選擇。

第二，edge-conditioned graph representation 的確比 tabular ranking 更能捕捉傳球路線幾何。LambdaMART 已經可以利用距離、角度等特徵，但它沒有像 MPNN 一樣把候選接應者與 passing lane 放在一個圖結構內共同推理。

paper 亦報告 Football Pass MPNN 的 AUROC 是 0.963，Brier score 是 0.036。這代表模型不只在排名上表現好，機率校準與區分 target/non-target 的能力也有相當強的結果。

不過要留意，文中也承認不同 literature 的模型常用不同資料集、不同情境與不同 loss 設定，所以跨 paper 的 accuracy 不能直接當作絕對排名。這篇真正可靠的比較，仍然是同一資料集上的 internal baselines。

速度：能否用在真實分析流程？

足球 tracking data 常見是 25 Hz，即每秒 25 個 frame。若要接近即時分析，每個 frame 的處理時間要低於約 0.04 秒，否則很快會追不上資料流。

作者用 1,000 次隨機抽樣、已同步的傳球做 benchmark。Football Pass MPNN 的平均 feature crafting time 是 0.0008 秒，平均 inference time 是 0.0107 秒，total pipeline 約 0.0115 秒。

這個數字的意義，是 star graph 的設計不只是理論上簡潔，也有工程價值。它避免了 fully connected graph 的額外負擔，令模型更適合 post-game pipeline，甚至有機會進一步接近 live operational environment。

從機率變成教練看得懂的 KPI

模型輸出機率分佈，對 data scientist 有用，但教練與球探未必想逐格看 softmax。paper 因此把輸出轉成三個 KPI。

Best Pass Score： 球員實際選擇是否等於模型 Top-1 target。它可視為 reliability 或安全決策傾向。

Good Pass Score： 球員實際選擇是否落在模型 Top-3。它承認足球很多時候有多個合理選項，Top-3 比 Top-1 更接近戰術討論。

Creativity Ratio： 成功傳球中，球員選擇 Top-3 之外接應者的比例。這不是簡單等於「錯」，而是用來捕捉高風險、反預期、可能更具創造性的 play-making。

paper 的角色分析也很有意思。後衛平均 Best Pass Score 最高，約 0.667，符合後場控球以穩定循環為主的直覺。前鋒最低，約 0.536，因為禁區附近空間更擠迫，傳球選擇更常需要即興與冒險。

翼鋒則是一個特別有分析價值的角色。paper 指出，翼鋒可以有較高 Creativity Ratio，同時維持較好的傳球成功率。這類球員未必永遠選模型最安全的 target，但他們的「偏離模型」可能是有效創造力，而不是單純失誤。

用法一：賽後找出真正值得重看的傳球

這個模型最直接的用法，是 post-game review。

傳統影片分析需要人手逐段看比賽，再標記可能有問題的傳球選擇。Football Pass MPNN 可以把每一次傳球與模型分佈比較，特別標出這類情況：

實際傳球失敗；
模型認為另一位隊友有明顯更高接應機率；
該 alternative target 的空間、角度與壓力都更合理。

paper 的例子中，一次被截斷的傳球，模型給另一位隊友接近 0.99 以上 的 optimal target probability。這不代表模型一定比球員聰明，但它提供了一個很強的 review signal：分析員可以快速跳到該片段，問球員當時是否看到那個選項、身體姿勢是否容許、教練戰術是否本來要求不同方向。

這種用法比單純說「你傳失了」更有建設性。它把回饋從結果批評，轉成選項討論。

用法二：賽前分析對手的傳球風格

另一個應用是 opponent scouting。

如果一位對手中場長期有高 Creativity Ratio，而且傳球成功率不低，他可能是能夠打破模型預期的創造者。防守部署上，這類球員可能需要更早壓迫，不能只封最明顯 passing lane。

相反，如果某位球員經常在高壓區域選擇低機率 target，並且實際成功率偏低，他可能是 pressing trigger。球隊可以在賽前準備中把這類 pattern 轉成具體防守方案。

paper 提到這套框架已設計成 Royal Belgian Football Association data department 的 operational tool，用於 post-game review 與 pre-match scouting。這點很重要，因為它不是單純離線 benchmark，而是有明確分析流程導向。

這篇 paper 的限制

第一，訓練資料主要是成功 open-play passes。這令 supervision 比較乾淨，但也會低估「本來合理但執行失敗」的選擇。真正的 decision quality 最好同時考慮成功、失敗、受壓與戰術指令。

第二，資料與 code 未公開。paper 說資料是 Royal Belgian Football Association 擁有的 private data，code 亦不提供 public use。這限制了外部重現與獨立驗證。

第三，random split 可能讓 train/test 分佈較接近。若要評估部署穩健性，未來可以更仔細測試跨球隊、跨賽事、跨時間、跨教練風格的 generalization。

第四，模型預測的是「職業球員在資料中如何選擇」，不必然等於「任何戰術體系下都應該這樣選擇」。不同教練可能鼓勵保守控球、快速轉邊、直塞冒險或吸引壓迫後反方向轉移。未來若能做 coach-adaptive fine-tuning，這類模型會更貼近具體 game model。

為甚麼這件事值得留意？

足球分析正在由 outcome-based metrics 走向 intent-aware metrics。

xG 問一腳射門值多少，xT 問一次推進把球帶到哪個威脅區域，EPV 問控球狀態的期望價值。Receiver selection 則更接近球員腦中的即時決策：我看到誰？哪條線開了？哪個隊友可接？哪個選項安全但沒有威脅？哪個選項冒險但可以打穿防線？

Football Pass MPNN 的貢獻，在於它把這個問題做成一個可運算、可排名、可解釋、也可進入球隊分析流程的框架。

對球會 data team 來說，這類模型未必應該取代教練判斷。更合理的角色，是把海量傳球片段排序，把最有討論價值的 decision moments 推到分析員面前。當模型的概率分佈、影片畫面與教練戰術意圖放在一起，才真正有機會把「他應該傳哪裏」這個主觀問題，變成更精準的足球對話。

Reference

Gabriel Masella, Giuseppe Alessio D'Inverno, Max Goldsmith, Gianluigi Rozza. Evaluating passing decision-making in professional football: An enhanced MPNN approach to Receiver Selection. arXiv:2605.25696, 2026.
Patrick Power, Hector Ruiz, Xinyu Wei, Patrick Lucey. Not all passes are created equal: Objectively measuring the risk and reward of passes in soccer from tracking data. KDD 2017.
Gabriel Anzer, Pascal Bauer. Expected passes. Data Mining and Knowledge Discovery, 2022.
William Spearman et al. Physics-based modeling of pass probabilities in soccer. MIT Sloan Sports Analytics Conference, 2017.
Justin Gilmer et al. Neural Message Passing for Quantum Chemistry. ICML 2017.