스포츠 빅데이터 기반 경기력 분석과 의사결정 모델링 : Deep Learning을 활용한 축구 선수 중심성 지표 개발 및 시계열 패턴 분석 = Performance Analysis and Decision Modeling Based on Sports Big Data: Development of a Deep Learning Based Centrality Index for Soccer Players and Time Series Analysis of Performance Patterns

다국어 초록 (Multilingual Abstract)

This dissertation aims to establish an objective analytical framework that supports on-field decision-making beyond conventional performance evaluation in soccer. It develops structural performance indices that quantify interactions among players using large-scale sports data and proposes time-series forecasting models to predict the temporal evolution of these indices. The dissertation consists of two complementary studies, and the main findings are summarized as follows.
Study 1 proposes a Set Transformer–based set learning model to explain team performance across attacking, defensive, and tactical domains, and compares its predictive performance with conventional team-aggregated machine learning models, including Random Forest, XGBoost, and Support Vector Regression. The proposed model consistently outperformed all comparison models across domains. In the attacking domain, it achieved the highest predictive accuracy (MAE = 0.3351, RMSE = 0.4426, R² = 0.7244). In the defensive domain, it recorded an RMSE of 0.6468 and an R² of 0.4116, while in the tactical domain it demonstrated very high accuracy (RMSE = 0.0375, R² = 0.8913). These results indicate that team performance emerges from structural interaction patterns among players participating in the same match rather than from simple aggregations of individual statistics.
Variable importance analysis revealed clear domain-specific characteristics. Attacking performance indices were primarily driven by goal-related events such as shots, goals, and shots on target. Defensive performance indices were most strongly influenced by critical events that sharply increase concession risk, including penalty concessions and defensive errors. Tactical performance indices were mainly explained by repetitive and cumulative ball-involvement variables, such as pass attempts, receptions, and open-play touches. Match-level visualizations further demonstrated that the proposed structural centrality indices capture role differentiation, tactical imbalance, and team operational structure beyond conventional box-score–based evaluation.
Study 2 develops Transformer-based multi-horizon time-series forecasting models using the structural performance indices derived in Study 1 and examines domain-specific temporal patterns by varying forecasting horizons (H) and observation window lengths (L). While all three domains exhibited meaningful predictability, distinct structural differences were observed across domains.
In the attacking domain, optimal observation windows varied across forecasting horizons, with test RMSE ranging from 0.0596 to 0.0610 and MAE from 0.0437 to 0.0442. Prediction errors gradually increased with longer horizons, indicating that attacking centrality is sensitive to recent match context and short-term event dynamics. Performance landscape analysis showed that mid-length observation windows (L = 4–6) were most effective for prediction.
In the defensive domain, longer observation windows (L = 7–8) were consistently optimal regardless of forecasting horizon. Although overall prediction errors were higher than in other domains (RMSE = 0.1643–0.1668), MAE slightly decreased as the forecasting horizon increased. This pattern suggests that defensive centrality exhibits high short-term variability but converges toward an average contextual state over mid- to long-term horizons.
The tactical domain exhibited the most stable predictive performance. Long observation windows (L = 8) consistently yielded optimal results, with test RMSE ranging from 0.0145 to 0.0148 and MAE from 0.0112 to 0.0114. This stability indicates that tactical centrality is shaped primarily by long-term structural factors, such as spatial occupation and sustained ball circulation patterns, rather than short-term events.
Permutation importance analysis further revealed strong autoregressive dependence in the attacking and tactical domains, whereas defensive centrality displayed relatively weak autoregressive effects. Instead, defensive predictions relied more heavily on attacking and tactical centrality indices, highlighting the reactive nature of defensive performance to overall match dynamics and opponent strategies.
Overall, this dissertation presents an integrated analytical framework that jointly accounts for structural interactions among players and their temporal evolution. The proposed performance indices provide interpretable insights into team structure and role differentiation, while the forecasting models reveal domain-specific temporal behaviors. Together, these findings extend soccer performance analysis beyond post hoc evaluation toward proactive monitoring and support mid- to long-term decision-making in tactical assessment, player role management, and team strategy planning.

국문 초록 (Abstract)

본 학위논문의 목적은 축구 경기 분석에서 경기력 평가를 넘어, 현장 의사결정을 지원할 수 있는 객관적 분석 체계를 구축하는 데 있다. 이를 위해 본 연구는 스포츠 빅데이터를 활용하여 선수와 팀의 경기력 구조를 정량화하는 지표를 개발하고, 해당 지표의 시간적 변화를 예측할 수 있는 시계열 모델을 제안하였다. 본 논문은 이러한 목적을 달성하기 위해 두 개의 세부 연구로 구성되며, 각 연구의 주요 결과는 다음과 같다.

[Study 1]
Study 1에서는 공격, 수비, 전술 영역별 팀 성과를 설명하기 위해 Set Transformer 기반 선수 집합 구조 학습 모형을 제안하고, 기존 팀 단위 집계 기반 머신러닝 모형과 예측 성능을 비교하였다. 그 결과 Set Transformer 모형은 모든 영역에서 비교 모형보다 우수한 성능을 보였다. 공격 영역에서는 test 기준 MAE 0.3351, RMSE 0.4426, R² 0.7244로 가장 높은 설명력을 나타냈으며, 수비 영역에서도 RMSE 0.6468, R² 0.4116으로 가장 우수한 성능을 기록하였다. 전술 영역에서는 RMSE 0.0375, R² 0.8913으로 높은 예측 정확도를 보였다. 이러한 결과는 팀 성과가 동일 경기에서 출전한 선수 간의 구조적 상호작용 패턴 속에서 형성됨을 시사한다.
입력 변수 중요도 분석 결과, 공격 영역에서는 슈팅(Sh), 득점(Gls), 유효슈팅(SoT) 등 득점과 직접적으로 연결된 사건 변수가 핵심적인 설명력을 나타냈다. 수비 영역에서는 페널티킥 허용(PkCon), 수비 실수(Err)와 같이 실점 위험을 급격히 변화시키는 사건 변수의 중요도가 가장 높게 나타났다. 전술 영역에서는 패스 시도(PsAtt), 패스 수신(Rec), 오픈플레이 터치(TchLive) 등 반복적이고 누적적인 볼 관여 변수가 핵심 요인으로 도출되었다. 또한 경기 단위 시각화 분석을 통해, 구조적 중심성 지표가 단순 성과 비교를 넘어 경기 내 역할 분화, 전술적 불균형, 팀 운영 구조를 설명하는 도구로 기능함을 확인하였다.

[Study 2]
Study 2에서는 Study 1에서 개발한 경기력 중심성 지표를 대상으로 Transformer 기반 시계열 예측 모델을 구축하고, 예측 시점(H)과 관측 구간(L)의 조합에 따른 성능 특성과 영역별 시계열 구조를 분석하였다. 분석 결과, 공격·수비·전술 중심성 지표는 모두 일정 수준 이상의 시계열 예측 성능을 보였으나 영역별로 상이한 구조적 특성이 확인되었다.
공격 영역에서는 예측 시점에 따라 최적 관측 구간이 유동적으로 변화하였으며, 테스트 기준 RMSE는 0.0596~0.0610, MAE는 0.0437~0.0442 범위로 나타났다. 예측 시점이 증가할수록 오차가 점진적으로 증가하는 경향이 나타나 공격 중심성이 최근 경기 맥락과 단기 이벤트 흐름에 민감하게 반응하는 지표임을 시사하였다. L-H 성능 지형도 분석에서는 과거 관측 구간 L=4~6이 가장 효율적으로 활용되는 구조가 확인되었다.
수비 영역에서는 예측 시점과 무관하게 비교적 긴 관측 구간(L=7~8)이 최적 조합으로 나타났으며, RMSE는 0.1643~0.1668, MAE는 0.0962~0.1005 범위로 다른 영역 대비 상대적으로 높은 오차 수준을 보였다. 그러나 예측 시점이 증가함에 따라 MAE가 소폭 감소하는 경향이 나타났는데 이는 수비 중심성이 단기 이벤트 수준에서는 변동성이 크지만 중·장기적으로는 평균적인 경기 맥락에 수렴하는 반응적 특성을 지님을 시사한다.
전술 영역은 세 영역 중 가장 안정적인 예측 성능을 나타냈다. 대부분의 예측 시점에서 긴 관측 구간(L=8)이 최적 조합으로 나타났으며, 테스트 RMSE는 0.0145~0.0148, MAE는 0.0112~0.0114 범위로 낮은 수준을 유지하였다. 이는 전술 중심성이 단기 이벤트보다 팀의 공간 점유와 진영별 볼 관여 구조와 같은 장기적·구조적 요인에 의해 형성되는 지표임을 보여준다.
Permutation Importance 분석 결과 공격과 전술 영역에서는 해당 영역 중심성 지표의 과거 정보가 예측에 강하게 기여하는 자기회귀적 구조가 확인되었다. 반면 수비 영역에서는 이러한 자기회귀적 특성이 상대적으로 약하게 나타났으며, 공격 및 전술 중심성과 같은 다른 영역의 중심성 지표가 더 높은 기여도를 보였다. 이는 수비 중심성이 경기 흐름과 상대 전술에 반응하는 성격을 지님을 시사한다.
종합하면, 본 학위논문은 선수 개인 기록의 단순 집계를 넘어 출전 선수 간 구조적 상호작용과 시간적 변화 양상을 동시에 고려하는 경기력 분석 체계를 제시하였다. Study 1에서 개발한 구조적 중심성 지표는 경기 내 역할 분화와 팀 운영 구조를 설명할 수 있는 해석 가능한 지표로서의 가치를 확인하였으며, Study 2에서는 해당 지표가 영역별로 상이한 시계열적 역할과 예측 구조를 지님을 실증적으로 규명하였다. 이러한 결과는 경기력 분석을 사후 평가 중심에서 벗어나 전술 안정성 평가, 선수 역할 모니터링, 중·장기 의사결정 지원으로 확장하는 데에 기여할 것으로 기대된다.

목차 (Table of Contents)

• 목 차
• Ⅰ. 서론
• 1. 연구의 필요성 1
• 2. 연구 목적 및 내용 5
• Ⅱ. 이론적 배경
• 1. 스포츠에서 감독 권한과 의사결정 8
• 2. 빅데이터와 스포츠 데이터 과학 11
• 3. 축구 경기력 분석의 이론적 기반과 연구 동향 14
• 4. 축구 경기력 분석을 위한 인공지능 모델 22
• 5. Self Attention 기반 (Set) Transformer 34
• Ⅲ. Study 1
• : Set Transformer 기반 축구 경기력 중심성 지표 개발
• 1. 연구 절차 및 방법 49
• 1.1. 분석 대상 및 자료 수집 49
• 1.2. 경기력 영역 정의 및 변수 구성 52
• 1.3. Set Transformer 기반 집합 구조 학습 모델 53
• 1.4. 모델 구조 비교를 통한 타당성 검증 56
• 1.5. 구조적 중심성 지표 산출 57
• 1.6. 영역별 중심성 지표 특성 이해를 위한 시각화 58
• 2. 연구 결과 59
• 2.1. 데이터 구성 및 표본 특성 59
• 2.2. Set Transformer 학습 모델 성능 비교 60
• 2.3. 영역별 중심성 지표 산출 결과 63
• 3. Study 1 에 대한 논의 및 결론 78
• 3.1. 영역별 중심성 지표 개발을 위한 방법론적 논의 78
• 3.2. 영역별 중심성 지표 활용을 위한 실용적 논의 82
• Ⅳ. Study 2
• : Transformer 기반 축구 선수 경기력 변화 예측
• 1. 연구 절차 및 방법 87
• 1.1. 분석 대상 선정 및 데이터 구성 87
• 1.2. 시계열 예측 문제 정의 및 시계열 데이터 구성 89
• 1.3. Transformer 기반 시계열 모델 구조 91
• 1.4. 시계열 데이터 분할 및 모델 성능 평가 95
• 1.5. 시계열 예측 결과의 시각화 및 패턴 검토 96
• 2. 연구 결과 98
• 2.1. 시계열 예측 분석을 위한 데이터 구성 결과 98
• 2.2. 예측 시점(H)별 최적 관측 구간(L) 모델 예측 성능 99
• 2.3. L-H 모델 성능 지형도 101
• 2.4. Permutation Importance 기반 입력 변수 기여도 104
• 3. Study 2에 대한 논의 및 결론 112
• 3.1. 경기력 중심성의 시계열 예측 가능성과 영역별 구조 차이 112
• 3.2. 중심성 지표의 실무적 활용 가능성 114
• Ⅴ. 종합 결론 117
• 참고문헌 120