Analise uma partida de futebol: jogadores semelhantes com DBSCAN e trajetórias semelhantes com TRACLUS

Estou tentando analisar um conjunto de dados que se origina de sensores localizados perto dos sapatos dos jogadores em uma partida ( http://www.orgs.ttu.edu/debs2013/index.php?goto=cfchallengedetails ).

Decidi analisar o cluster para identificar:

1. Trajetórias similares de jogadores na partida usando o algoritmo de agrupamento TRACLUS

2. Jogadores similares, contando algumas características, como passagens mal sucedidas, cruzamentos malsucedidos, chutes e tackles. Eu pensei em usar o DBSCAN para agrupá-los.

3. Agrupe jogadores que passam a bola um para o outro com mais frequência. Como posso agrupá-los?

Posso explorar algo mais desse tipo de conjunto de dados? Existe alguma outra característica que eu possa usar no ponto 2?

Existem 2 perguntas lá (o 1º ponto não é uma pergunta). Todas as respostas estão abaixo.

Q1: Como você pode agrupar jogadores que passam a bola com mais frequência?

Na minha opinião, esta é uma tarefa carregada que é melhor dividida no seguinte:

• Identifique se um jogador está passando uma bola. Você deve observar a distribuição dos dados sensoriais que geralmente estão associados a ações relacionadas à passagem de bolas. Muitas maneiras de fazer isso. Uma maneira extravagante poderia ser replicar esse conjunto de dados coletados empericamente em um jogo em 3D que você carrega jogadores com sensores semelhantes. O bom do jogo é que você pode identificar as variáveis-alvo que deseja prever (ou seja, você sabe se elas estão passando a bola). Dessa forma, usando o jogo, você pode correlacionar a distribuição de dados sensoriais com as variáveis ​​alvo, gerando um conjunto de amostras rotuladas. Por fim, você aplica uma etapa de adaptação do domínio pela qual seu modelo de jogo 3D é transformado no conjunto de dados coletado empericamente pelo domínio (para que você possa executá-lo com menos erros do que sem a etapa de adaptação do domínio).
• Identifique se um jogador está recebendo uma bola. Semelhante ao ponto acima, mas para a distribuição de dados sensoriais após o recebimento de bolas.
• Identificando passes e recebimentos vinculados. Isso é relativamente trivial: dois jogadores passam bolas um para o outro se um recebimento acontece após um passe. Para reduzir o ruído, convém adicionar restrições adicionais a essa suposição para garantir que os passes acidentais sejam separados dos intencionais.

P2: Posso explorar outra coisa desse tipo de conjunto de dados? (para expandir o ponto 2)

• Fadiga / resistência / velocidade em função da atividade e do tempo. Isso pode ser fácil de estimar, observando a velocidade de frequência de como as posições / velocidade dos sensores estão mudando.
• Depois de identificar o ponto acima, você pode estimar outros parâmetros, como o tempo de recuperação.
• Além disso, correlacione tudo acima com o relacionamento dos jogadores com sua equipe. Por exemplo, um jogador passa bolas com mais frequência quando está cansado? Para quem jogadores, ou em quais direções, ele tende a passar bolas quando está cansado? Ele muda seus alvos / direções quando recupera sua resistência?