프로축구 K리그1 공격 플레이 과정을 통한 슈팅 예측 모델 개발 및 적용

다국어 초록 (Multilingual Abstract)

In soccer, attacking play refers to the process from the beginning of possession to the finishing action of the attack, which can be interpreted as the process of scoring goals. In the course of attacking play, whether or not you shoot has a lot to do with scoring, and analyzing how the players played in the process is understood in the same context as describing the type of team, tactical characteristics, etc. However, a mutually organic, continuous soccer game requires a complex and comprehensive analysis that analyzes the variables in terms of individual attacking plays, and analyzes the attacking plays in units of variables. The algorithm of machine learning is trained to find patterns and correlations in the longitudinal data sets collected sequentially, and to make optimal decisions and predictions based on the analysis, enabling complex and comprehensive analysis to some extent.
This study is a study to develop and apply a shooting prediction model based on machine learning through variables that occur in the process of attacking play in Pro Football 2022 K League 1. In order to achieve the purpose of the study, three research questions were set: analyzing the characteristics of variables that occur in the process of attack play, developing a shooting prediction model using the analyzed variables, and applying and analyzing type-specific data to the developed shooting prediction model.
For the data collection for the development and application of the shooting prediction model, variables were collected on the offensive play process excluding set plays and contested situations for a total of 60 1~10R matches of the 2022 K League 1.
Through the analysis of the characteristics of the variables that occur in the process of attacking play, which is the first research problem, the attacking play leading to shooting in the K League 1 was confirmed to have more shots in the central area than in the side area by stealing the ball from a high position and advancing with a fast attack. The teams with the most differences in the starting area (x) of the attack are Incheon, Daegu, and Seoul, in that order, while the teams with the most differences in the forward distance are Suwon FC, Seongnam, and Suwon Samsung.
In the development of a shooting prediction model using the attack play variable, which is the second research problem, the performance of the initial shooting prediction model was compared through XGBoost, a decision tree, and logistic regression analysis, which is a representative algorithm of machine learning, and the best XGBoost algorithm was selected, and the final shooting prediction model was developed through hyperparameter adjustment, and as a result of performance evaluation, the accuracy was 98%, the accuracy was 98%, the reproduction was 98%, and the F1-score was 98%. Through the importance of the variables, the main variables applied to the prediction were identified in the following order: attack end angle, forward distance, attack start position (x), attack speed, and attack start position (y).
The third research problem, the developed shooting prediction model, applied type-specific data to the developed shooting prediction model, and the analysis applied data to the developed final model according to the type of play style and team performance type, and the applied data was compared with the FN and FP values that failed to predict and the values that succeeded in predicting shooting.
The variables that occur in the course of attacking play presented in this study explain the content of the game and provide basic data for game analysis and performance improvement. In addition, it suggests that the shooting prediction model can not only improve performance by identifying the type and tactical characteristics of the team, but also use it as a tool for situational feedback through FN and FP values based on the usability of the shooting prediction model.

국문 초록 (Abstract)

축구경기에서 공격 플레이는 점유의 시작과 동시에 공격의 마무리 동작까지의 과정을 일컫는데, 이러한 과정은 득점을 위한 과정으로 해석할 수 있다. 공격 플레이 과정에서 슈팅 여부는 득점과 매우 상관이 높으며, 그 과정에서 선수들이 어떠한 플레이 과정을 수행했는지 분석하는 것은 팀의 유형이나, 전술적 특징 등을 설명하는 것과 같은 맥락에서 이해된다. 그러나 상호 유기적이고, 연속적으로 진행되는 축구경기는 공격 플레이 개별 단위로 변수를 분석하고, 변수 단위로 공격 플레이를 분석하는 복합적이고 종합적인 분석이 필요하다. 머신러닝의 알고리즘은 순차적으로 수집된 종횡의 데이터 세트에서 패턴과 상관관계를 찾고, 분석을 토대로 최적의 의사결정과 예측을 수행하도록 학습되어 복합적이고 종합적인 분석이 어느 정도 가능하다.
이 연구는 머신러닝을 기반으로 프로축구 2022 K릭그1 공격 플레이 과정에서 발생하는 변수들을 통해 슈팅 예측 모델을 개발 및 적용하는 연구이다. 연구의 목적 달성을 위해 공격 플레이 과정에서 발생하는 변수의 특징을 분석하고, 분석한 변수를 활용하여 슈팅 예측 모델을 개발하고, 개발된 슈팅 예측 모델에 유형별 데이터를 적용하고 분석하는 세 가지 연구 문제를 설정하였다.
슈팅 예측 모델 개발 및 적용을 위한 자료 수집은 프로축구 2022 K리그1의 1~10R 경기 총 60경기를 대상으로 세트플레이, 경합상황을 제외한 공격 플레이 과정에 대한 변수를 수집하였다.
첫 번째 연구 문제인 공격 플레이 과정에서 발생하는 변수의 특징 분석을 통해 K리그1에서 슈팅으로 이어지는 공격 플레이는 높은 위치에서 볼을 탈취해 빠른 공격으로 전진하여 사이드 지역보다, 중앙 지역에서 슈팅이 많이 발생하는 특징을 확인하였으며, 팀별 기술통계에서 슈팅 유무에 따른 평균 차이가 많은 변수는 공격 시작 지역(x), 전진 거리로 확인되었다. 공격 시작 지역(x)에서 많은 차이를 보이는 팀은 인천, 대구, 서울 순이며, 전진 거리에서 많은 차이를 보이는 팀은 수원FC, 성남, 수원삼성 순으로 나타났다.
두 번째 연구 문제인 공격 플레이 변수를 활용하여 슈팅 예측 모델을 개발에서 머신러닝의 대표적인 알고리즘인 XGBoost, 의사 결정나무, 로지스틱 회귀분석을 통해 초기 슈팅 예측 모델의 성능을 비교하여 가장 성능이 좋은 XGBoost 알고리즘을 선택하여 하이퍼 파라미터 조정을 통해 최종 슈팅 예측 모델을 개발하고, 성능 평가를 실시한 결과 정확도 98%, 정빌도 98%, 재현율 98%, F1-score 98%의 높은 성능을 보였으며, 변수 중요도를 통해 예측의 주요하게 적용되는 변수는 공격 종료 각도, 전진 거리, 공격 시작 위치(x), 공격 속력, 공격 시작 위치(y)순으로 확인되었다.
세 번째 연구 문제인 개발된 슈팅 예측 모델에 유형별 데이터를 적용하고 분석은 개발된 최종 모델에 플레이 스타일 유형별, 팀 성적 유형별에 따라 데이터를 적용하였으며, 적용된 데이터는 예측에 실패한 FN, FP값과 슈팅 예측에 성공한 값과의 비교를 통해 개발된 모델의 특징과 유형별 공격 플레이의 특징을 확인하였다.
이 연구에서 제시한 공격 플레이 과정에서 발생하는 변수들은 경기의 내용을 설명하는 내용으로 경기분석과 경기력 향상의 기초자료를 제공한다. 아울러, 슈팅 예측 모델을 통해 팀의 유형과 전술적 특징을 확인하여 경기력 향상을 도모할 수 있을 뿐만 아니라, 슈팅 예측 모델의 활용성을 바탕으로 FN, FP값을 통한 상황적 피드백을 위한 도구로 활용할 수 있음을 시사한다.

목차 (Table of Contents)

• 그림목차 ⅳ
• 표 목 차 ⅵ
• 수식목차 ⅸ
• 국문초록 ⅹ
• 제 1 장 서론 1
• 1. 연구의 필요성 1
• 2. 연구의 목적 5
• 3. 연구 문제 5
• 4. 용어 정리 6
• 제 2 장 이론적 배경 7
• 1. 선행연구 고찰 7
• 1.1 공격 플레이 관련 연구 7
• 1.2 머신러닝 관련 연구 8
• 2. 국내 프로축구리그 현황 9
• 3. 스포츠 부호화 분석 10
• 4. 머신러닝 12
• 4.1 머신러닝의 개념 12
• 4.2 머신러닝의 종류 12
• 4.3 머신러닝 알고리즘 14
• 4.4 머신러닝 성능평가 17
• 제 3 장 연구방법 20
• 1. 자료 수집 20
• 1.1 수집 대상 20
• 1.2 수집 시스템 개발 21
• 1.3 1차 수집변수 23
• 1.4 EDA 25
• 1.5 최종변수선택 29
• 2. 모델 개발 환경 30
• 3. 자료처리방법 30
• 4. 연구 절차 31
• 제 4 장 연구결과 32
• 1. 공격 플레이 과정 변수의 특징 분석 32
• 1.1 전체 리그의 슈팅 유무에 따른 공격 플레이 변수 특징 32
• 1.2 팀별 슈팅 유무에 따른 공격 플레이 변수 특징 36
• 2. 슈팅 예측 모델 개발 및 적용 45
• 2.1 알고리즘 선택 46
• 2.2 슈팅 예측 모델 개발 48
• 2.3 개발된 모델 성능평가 및 변수 중요도 확인 50
• 3. 개발된 슈팅 예측 모델에 유형별 데이터 적용 및 분석 52
• 3.1 플레이 스타일 유형에 따른 집단 별 데이터 적용 및 분석 54
• 3.2 팀 성적 유형에 따른 집단 별 데이터 적용 및 분석 63
• 제 5 장 논의 72
• 1. 공격 플레이 과정 변수의 특징 분석 72
• 1.1 전체 리그의 슈팅 유무에 따른 공격 플레이 변수 특징 72
• 1.2 팀별 슈팅 유무에 따른 공격 플레이 변수 특징 73
• 2. 슈팅 예측 모델 개발 74
• 3. 유형별 데이터 적용 및 분석 75
• 3.1 플레이 스타일 유형에 따른 데이터 적용 및 분석 특징 75
• 3.2 팀 성적 유형에 따른 데이터 적용 및 분석 특징 77
• 3.3 슈팅 예측 모델 활용성 79
• 제 6 장 결론 및 제언 81
• 1. 결론 81
• 2. 제언 83
• 참고문헌 84
• Abstract 86