- AutorIn
- Steffen Lang Technische Universität München
- Raphael WildTechnische Universität München
- Alexander IsenkoTechnische Universität München
- Daniel Link
- Titel
- Vorhersage des in-game Status im Fußball mit Maschinellem Lernen basierend auf zeitkontinuierlichen Spielerpositionsdaten
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:ch1-qucosa2-807527
- Übersetzter Titel (EN)
- Predicting in-game status in soccer with machine learning based on time-continuous player tracking data
- Konferenz
- spinfortec2022. Chemnitz, 29. - 30.09.2022
- Quellenangabe
- spinfortec2022 : Tagungsband zum 14. Symposium der Sektion Sportinformatik und Sporttechnologie der Deutschen Vereinigung für Sportwissenschaft (dvs), Chemnitz 29. - 30. September 2022
- Abstract (DE)
- Diese Studie beschäftigt sich mit der Vorhersage, ausschließlich auf Basis von Spielerpositionsdaten, ob ein Fußballspiel in einem Moment unterbrochen ist oder nicht. Hierfür wurden vier machine-learning Modelle mit Daten von 102 Spielen der Fußball Bundesliga trainiert und ihre Genauigkeit evaluiert. Dabei zeigte sich eine Genauigkeit von bis zu 92% für einen einzelnen Moment und eine Präzision von 81% für ganze Unterbrechungen.
- Abstract (EN)
- This study deals with the prediction, based solely on player position data, whether a soccer match is interrupted at a moment or not. For this purpose, four machine-learning models were trained with data from 102 matches of the German Bundesliga and their accuracy was evaluated. The results showed an accuracy of up to 92% for a single moment and a precision of 81% for whole interruptions.
- Freie Schlagwörter (DE)
- Fußball, Maschinelles Lernen, Spielerpositionsdaten, in-game Status
- Freie Schlagwörter (EN)
- soccer, machine learning, player position data, in-game status
- Klassifikation (DDC)
- 700 Künste & Freizeit und Erholung
- 790 Sport, Spiele, Unterhaltung
- Normschlagwörter (GND)
- Fußball
- Maschinelles Lernen
- Position
- Version / Begutachtungsstatus
- angenommene Version / Postprint / Autorenversion
- URN Qucosa
- urn:nbn:de:bsz:ch1-qucosa2-807527
- Veröffentlichungsdatum Qucosa
- 14.10.2022
- Dokumenttyp
- Konferenzbeitrag
- Sprache des Dokumentes
- Deutsch
- Lizenz / Rechtehinweis
CC BY-SA 4.0