팀 기반 침투 스포츠를 위한 연속 파라미터 공간 이벤트 가치 시각 분석 및 마코프 보상 프로세스

초록

본 논문은 축구·농구 등 침투형 팀 스포츠 경기 전체를 ‘중요 이벤트’들의 마코프 체인으로 모델링하고, 시간·위치·점수 등 연속 파라미터를 보존한 채 이벤트 가치를 추정한다. 플레이어 분포의 시간 변화를 이용해 이벤트를 자동 추출하고, 이를 연속 상태 공간으로 재정의한 뒤 마코프 보상 프로세스를 적용한다. 맞춤형 피팅된 가치 반복 알고리즘으로 회귀 모델을 학습해 각 이벤트의 기대 가치를 예측하고, 이를 시각화함으로써 코치와 관중이 경기 전반을 직관적으로 이해하도록 돕는다. 실제 축구 데이터 실험을 통해 제안 시스템의 정확도와 활용성을 검증하였다.

상세 분석

이 연구는 기존 시각 분석이 직면한 두 가지 근본적 한계를 극복한다. 첫째, 스포트라이트가 맞춰지는 특정 이벤트(예: 슈팅)만을 대상으로 하는 로컬 피처 기반 접근법은 경기 전체 흐름을 포착하지 못한다. 둘째, 연속적인 시간·공간·점수 변수들을 이산화하여 분석하면 미세한 변동성을 손실하게 된다. 저자들은 이러한 문제를 ‘중요 이벤트’를 경기 전반의 플레이어 밀도 변화로부터 자동 추출함으로써 해결한다. 이벤트 추출 단계에서는 시간 윈도우별 선수 위치 히트맵을 생성하고, 히트맵 간의 Kullback‑Leibler divergence를 측정해 급격한 분포 변화를 감지한다. 감지된 변화를 이벤트 시점으로 정의하고, 각 이벤트는 (시간, x‑좌표, y‑좌표, 현재 점수 차, 경기 단계 등)으로 구성된 연속 파라미터 벡터로 표현된다.

다음으로, 이 연속 파라미터들을 상태 공간으로 삼아 마코프 체인을 구축한다. 전이 확률은 이벤트 간 시간 간격과 공간적 거리, 그리고 팀 전술적 연관성을 고려한 커널 기반 추정기로 계산된다. 보상 함수는 특정 이벤트가 경기 결과(예: 최종 승패, 득점 차)에 미치는 기대 기여도를 나타내며, 이는 회귀 모델(예: Gradient Boosting Regressor)로 근사한다. 핵심 알고리즘은 ‘맞춤형 피팅된 가치 반복(Fitted‑Value Iteration)’이다. 이 알고리즘은 무한히 큰 연속 상태 공간을 샘플링한 뒤, 각 샘플에 대해 베일리 연산자를 적용하고, 얻어진 가치값을 회귀 모델에 피팅한다. 반복 과정에서 모델은 점차 정확한 가치 함수를 학습하게 되며, 수렴 시점에서 각 이벤트에 대한 기대 보상이 추정된다.

시각화 모듈은 경기장 전체에 걸쳐 연속적인 가치 맵을 생성한다. 사용자는 특정 점수 차, 경기 시간, 팀 전술 상황 등을 슬라이더로 조정하면, 해당 조건에 맞는 이벤트 가치 분포를 히트맵 형태로 즉시 확인할 수 있다. 이는 코치가 특정 지역에서의 공격/수비 효율성을 정량적으로 파악하고, 전략적 의사결정을 지원하는 데 큰 장점을 제공한다.

실험에서는 실제 축구 경기 데이터를 사용해 기존 이산화 기반 모델과 비교하였다. 제안 방법은 평균 절대 오차(MAE)와 R² 점수에서 모두 우수한 성능을 보였으며, 특히 경기 후반에 발생하는 미세한 전술 변화를 포착하는 데 강점을 나타냈다. 또한, 사용자 연구를 통해 시각화 인터페이스가 전문가와 일반 관중 모두에게 직관적인 인사이트를 제공한다는 피드백을 얻었다.

이 논문의 주요 기여는 (1) 연속 파라미터 공간을 보존한 이벤트 기반 마코프 모델링 프레임워크, (2) 이벤트 자동 추출을 위한 확률적 밀도 변화 감지 기법, (3) 연속 상태 가치 함수를 효율적으로 학습하는 맞춤형 피팅된 가치 반복 알고리즘, (4) 인터랙티브 시각화 도구를 통한 실시간 인사이트 제공이다. 향후 연구에서는 멀티에이전트 강화학습과 결합해 전술 시뮬레이션을 확장하거나, 다른 침투형 스포츠(예: 배구, 핸드볼)에도 적용 가능성을 탐색할 수 있다.