继上周 2024 年Opta Forum 研究竞赛第二阶段提交截止日期之后，又有四个项目被提名上台展示，另有五个项目被推荐进行海报展示。
提交的每项提案都根据四个关键标准进行评审：创新、方法、相关性和应用。现在，九个最优秀的项目将在伦敦向受邀的业界代表展示。
2024 年Opta Forum 的一项新举措是引入了一个新的舞台，五个海报参展商中的每一个都将有机会发表 10 分钟的焦点演讲。这些活动将在预定的交流休息时间进行，使代表们能够更多了解他们的项目和主要研究成果。
Opta Forum已经连续举办了十一届，它仍然是足球分析日历上的一个重要日期。正如这里所强调的那样，许多前几届论坛的演讲者都在职业足球行业担任了各种职务。
除了这些研究报告外，2024 年Opta Forum 还将安排丰富的嘉宾演讲和小组讨论议程，重点讨论数据在团队环境中提高绩效和招募人员方面的作用，以及从面向球迷的角度提高观众参与度的关键主题。
2024 年Opta Forum的全部研究报告和海报如下，排名不分先后：
舞台演示
Harsh Mishra - 角球的成因分析
该项目是在劳里-肖之前通过因果框架建立角球战术手册的研究基础上开展的，被选入公开提交类别。
Harsh 的项目结合使用了事件数据和跟踪数据，根据角球类型、防守设置（盯人防守或区域防守）和总体结果，对 2021-22 赛季法甲联赛中尝试的 600 多个不同角球进行了细分。考虑到球员的起始和结束位置、动态移动和对手的盯防，还对角球中反复出现的进攻套路进行了分组。
然后，哈什的因果框架被应用于确定每种不同进攻套路的射门概率，无论是在对阵特定防守套路时，还是在瞄准特定类型的角球传递时。
该项目的目的是帮助定点角球分析人员快速识别特定类型的角球，使他们的工作流程更加高效，并最大限度地延长在攻防两端分析定点角球的时间。
Harsh 来自印度，现定居英国，拥有计算机科学硕士学位，目前在 Rothamsted Research 担任机器学习工程师。他是全球足球分析社区的活跃成员，您可以访问他的博客或在LinkedIn 上与他联系。
亚历克斯-萨塔里 - 通过分析传球、接球和高强度跑动识别球员风格，优化球员招募分析
帕尔马队的马蒂厄-拉科梅（Mathieu Lacome）在Opta Forum的 "实践者主导 "提交项目类别中脱颖而出，该项目应用Opta Vision 数据创建了可解释的球员个人风格新特征。
在建立了涵盖特定比赛中每位球员的专用传球、接球和高强度跑动网络之后，亚历克斯建议应用非负矩阵因式分解（NMF），目的是发现所有球员之间的共同传球、接球和高强度跑动模式。非负矩阵因式分解还将用于识别每位球员这些共同模式的独特组合，从而为每位球员的风格提供新的、可解释的特征。
这项研究的目的是加强招聘部门现有的球员资料分析管道，简化分析人员的工作流程，在俱乐部的比赛模式中准确定位具有风格相似性和场上特点的球员资料。
亚历克斯拥有加拿大卡尔加里大学地球物理学博士学位，最近在瑞典延雪平大学担任体育分析博士后助理研究员。他目前常驻卡尔加里。
Niamh Graham、Yasmin Hengster 和 Maia Trower - 净收益：分析多样性对女子足球成绩的影响
利用英足总女子超级联赛的核心球员履历数据和Opta 赛事数据，Niamh、Yasmin 和 Maia 的项目探讨了世界女子超级联赛球队的多样性和凝聚力与球员个人表现之间是否存在联系的问题。
他们将分析一支球队在球员年龄、国籍和俱乐部背景方面的多样性与根据球员过去在一起踢球的时间来衡量球队凝聚力之间的关系。
然后，通过为 WSL 比赛中的每个控球链建立传球网络，他们将为每个控球分配一个多样性得分和一个凝聚力得分。然后，他们将对每个以射门结束的控球链使用 xG 值，以评估多样性和凝聚力对团队和个人表现的影响。
Niamh、Yasmin 和 Maia 目前都在爱丁堡大学攻读数学博士学位。
Matthieu le Gall - 分析现代足球中丢球的影响：控球率、模式和比赛背景
Matthieu 的演讲应用了Opta 的赛事数据，旨在识别丢球后重复出现的比赛模式，以帮助识别在不同比赛场景中，哪些球队能最有效地从丢球开始的序列中创造进球机会。
Matthieu 的项目分为两个部分。在第一部分中，他将从攻防两端的角度将丢球分为不同类别，并考虑到控球时间、传球过程中的传球次数和所占地盘等关键因素。这些信息将被用于创建联赛各队的丢球指数，突出各队如何利用丢球，如快速重新开球、持球，或在防守中通过高压迫使对方翻盘。
在第二部分中，他将分析丢球后的传球模式，以深入了解球队如何战略性地利用丢球机会制造进球威胁。他还将展示对丢球后传球事件的传球终点位置坐标概率的分析。
Matthieu 目前在法国雷恩担任法国武装部队部的数据科学家。工作之余，他还在法国国立艺术与技术学院攻读大数据和AI 文凭。他将在今年晚些时候完成学业，然后希望加入一家从事体育工作的俱乐部或公司，成为一名数据科学家。
海报参展商
Hoyoung Choi - 评估防守阵型的图神经网络方法
本海报将介绍一种衡量球队在整个赛季中采用的各种防守阵型表现的方法。
通过开发和应用图形神经网络（GNN）模型，并特别强调控球率，Choi 将与大家分享他的见解，旨在帮助大家更好地理解球队的防守策略，以及场上所有球员对其控球效率的集体影响。
这种 GNN 方法旨在为领导团队提供一个实用的、适用于现实世界防御结构分析的系统。
Choi 是一名本科生，今年早些时候获得了学士学位，目前正在位于大韩民国大田的 KAIST 工业与系统工程系攻读硕士学位。
Leo Martins de Sá Freire - 威胁进球 "介绍--衡量将进攻量转化为进球机会的集体效率
近年来，赛事数据的应用主要集中在控球率（PV）和预期威胁（xT）等动作估值指标上。通过这些指标，数据分析师可以衡量比赛中每一个控球动作的质量。然而，球队通过这些动作产生的价值与对手通过进球机会造成的危险之间的关系仍未得到充分探索。
Leo 的海报旨在填补这一空白，它展示了对预期进球（xG）和预期威胁（xT）这两个高级指标之间关系的深入调查结果，并利用调查结果展示了一个新指标--"威胁进球"（Threat to Goal）。
Leo 目前在巴西贝洛奥里藏特的米纳斯吉拉斯联邦大学攻读计算机科学硕士学位，并在意甲米内罗竞技队担任数据科学家。
Atom Scott 和 Taiga Someya - FootballGPT：使用足球基础模型进行反事实评估
反事实评估允许数据科学家探索假设场景，了解足球比赛中不同战术决策的潜在影响。这通常包括训练一个生成模型来预测球员的动作，然后将实际动作和模拟动作与特定场景进行比较。
Atom 和 Taiga 的海报将展示 FootballGPT 的研究成果，这是一个关注足球集体运动的基础模型。他们的目标是回答以下问题："后卫线更高的压迫如何影响长传球的可能性？"或 "如果多一名球员加入反击，进球的可能性会增加吗？"此外，他们还将分析 FootballGPT 推广到下游任务的能力。
通过利用其 FootballGPT 模型作为选定场景的模拟器，Atom 和 Taiga 旨在使球队能够根据定量数据做出战略评估和决策。该模拟器将使球队能够模拟真实比赛场景中不同战术变化的效果，如改变防线或参与反击的球员人数，并通过识别和分析多场比赛中类似的控球序列，使绩效分析过程更加高效。
Atom 目前正在日本名古屋大学攻读人工智能博士学位，并且是一家专注于体育分析的新兴创业公司的创始人。Taiga 正在东京大学攻读计算语言学硕士学位，他曾是日本 U15/16 国家队的候补球员，目前也在探索体育分析方面的研究，尤其是在足球方面。
Andrew Kang、Travis Curson 和 Scott Powers - 并非所有特征都是相同的：特定目标聚类和聚类评估动机
球员角色聚类是体育分析中一个众所周知的问题，许多聚类方法都有一个共同的缺陷：对所有特征进行等权重，而不管它们与具体分析目标的相关性如何。
为了识别来自不同球队、在场上风格相似的球员，以改进招募工作流程，安德鲁、特拉维斯和斯科特的海报将应用Opta Vision 数据，展示一种两步递归 K-means 聚类算法。该算法首先根据球员的控球和非控球倾向对角色风格进行聚类，然后根据招聘分析师的具体要求创建子聚类，例如在识别球员时应用传球相关特征。
为了比较每个群组中球员的技能并评估他们对胜利的贡献，安德鲁、特拉维斯和斯科特将采用篮球分析中使用的盒式加总（BPM）方法。这包括使用正规化调整后的正负值（RAPM）来估算每位球员对球队预期进球数（xG）差距的贡献。通过这种方法，分析将突出不同球员集群为取得球队成功而必须擅长的每项技能在数值上的重要性。
安德鲁是德克萨斯州休斯顿莱斯大学计算机科学专业的一名本科生，同时也是莱斯大学体育部女子足球队的数据分析师，其后方团队包括担任助理教练的特拉维斯。斯科特于 2023 年加入莱斯大学体育管理系，担任体育分析助理教授。
马修-希尔顿（Matthew Hilton）--超越记分牌：评估足球运动员行为的贝叶斯方法
要分析单个球员的表现，我们必须仔细研究每个球员对进球和失球的贡献。然而，由于一名球员在一场比赛中可以做出许多不同的动作，哪些动作最有价值，因为它们更有可能导致进球，哪些动作更不可能导致失球？
马特的海报介绍了一个新颖的贝叶斯框架，用于评估足球运动员的行动。该框架建立在贝叶斯基础 xG 模型之上，该模型明确量化了与每个进球预测相关的不确定性，而不是依赖于点估算。该框架可扩展用于分析球员的所有动作，以及这些动作对进球和失球概率的影响。最重要的是，数据分析师可以评估球员动作及其执行的差异。
Matt 拥有数据科学硕士学位，目前在英国巴克莱银行工作。作为银行数据科学团队的一员，他从事抵押贷款组合的财务建模工作。
Stats Perform 感谢所有提交提案的人，并向将在 2024 年Opta Forum上发表演讲或参展的九个团体表示祝贺。
