Football Analytics: Predizione del ricevitore e della zona di passaggio mediante tecniche di Machine Learning

Il calcio è uno sport di squadra altamente collaborativo. Passare la palla al giocatore giusto è essenziale per vincere una partita, e quindi, anticipare e prevedere le intenzioni del mittente di un passaggio potrebbe arricchire la lista dei cosiddetti “trigger” per l'attivazione o la fine della fase di pressing (collettivo e volto alla sottrazione di soluzioni di gioco dell'avversario) o pressione (individuale e indirizzata al portatore). Il lavoro svolto in questo lavoro di tesi ha lo scopo di analizzare e predire un passaggio, al fine di capire a chi sarà indirizzato. In particolare, sono stati prodotti due modelli rispettivamente per la classificazione del destinatario e della zona di ricezione di un passaggio tramite l’utilizzo di feature geometriche. Un ulteriore studio sperimentale ha visto coinvolto il modello Social LSTM applicato sulle traiettorie prodotte dal pallone e dai giocatori durante un passaggio al fine di prevedere l’andamento della palla. I risultati sperimentali evidenziano come il modello per la predizione del ricevitore possa ottenere un'accuratezza di predizione di oltre il 58% se vengono considerate tre opzioni di passaggio. Nel caso del modello per la classificazione della zona di ricezione i risultati sono più accurati, nello specifico l’accuratezza supera l’80% quando si tiene conto di tre zone. L’applicazione dell’algoritmo Social LSTM per prevedere la traiettoria del pallone dopo un passaggio mostra come tale tecnica, in relazione con dati calcistici, produca dei risultati condizionati da errori e quindi quest’ultima fase ha bisogno di modifiche, al fine di carpire le complesse logiche alla base di un passaggio.