Resumo: Esta proposta de mestrado visa aplicar conceitos de redes neurais de grafos para análise de partidas de futebol. De modo mais específico, pretendemos realizar a predição de qual será o desfecho de uma posse de bola, sendo este desfecho caracterizado como sucesso ou fracasso. Um sucesso ocorre quando a equipe com a posse de bola alcança a zona de ataque próxima à grande área adversária ao final da posse de bola. Caso contrário, o intervalo de posse de bola é caracterizado como fracasso. A tarefa de predição é realizada tendo como fonte de informação os primeiros cinco segundos da posse de bola. Avanços neste problema já foram obtidos por trabalhos correlatos. Sabemos de antemão que realizar a predição com uma boa acurácia é possível, sendo esta hipótese validada por trabalhos anteriores usando modelos de aprendizado de máquina. Entretanto, a técnica utilizada anteriormente gerou uma rede com uma quantidade muito alta de parâmetros a serem treinados, além de ser preciso uma extração manual das características mediante a conversão de dados de séries temporais de parâmetros de redes complexas, sendo algumas escolhidas após estudos da área de futebol, que foram convertidos em imagens de ritmo visual utilizadas para coletar características processadas pelas redes neurais. No presente trabalho, propomos fazer com que a extração de características ocorra de maneira automática fazendo uso das recentes técnicas de redes neurais de grafos, validando se dessa forma conseguimos obter bons resultados. A motivação para este estudo decorre do desejo de investigar se a eliminação da extração manual de características podem gerar resultados ainda satisfatórios. Em outras palavras, queremos analisar se o conhecimento específico da área é determinante para a acurácia da rede. Uma outra questão de pesquisa se refere a estudar a quantidade de informações dos primeiros cinco segundos necessária para a análise adequada, além de verificar se é possível efetuar alguma compactação dessa informação sem prejudicar substancialmente a qualidade dos resultados. A redução da dimensionalidade desses dados de entrada permite realizar o treinamento e a predição de maneira mais eficiente, diminuindo o tempo de resposta do modelo para que a análise seja gerada. Em nossos resultados, definimos um conjunto de cenários e validamos esses cenários utilizando a acurácia balanceada de cada modelo. O nosso melhor modelo possui uma acurácia balanceada de aproximadamente 66%, o que nos permite concluir que ainda há espaço para melhorias. Consideramos que o resultado atual é de grande relevância, uma vez que a flexibilização da extração manual de características dentro do pipeline de aprendizado de máquina tem o potencial de acelerar a obtenção de resultados satisfatórios, mesmo que esses resultados sejam apenas considerados como baseline Ver menos

Abstract: This master’s thesis proposal aims to apply graph neural network concepts to the analysis of soccer matches. More specifically, we intend to predict the outcome of a possession, characterized as either success or failure. A success occurs when the team in possession reaches the attacking zone near the opponent’s penalty area by the end of the possession. Otherwise, the possession interval is characterized as a failure. The prediction task is performed using the first five seconds of possession as the source of information. Advances in this problem have already been made by related works. We know beforehand that making accurate predictions is possible, a hypothesis validated by previous works using machine learning models. However, the technique used previously generated a network with a very high number of parameters to be trained, in addition to requiring manual feature extraction through the conversion of time series data from complex network parameters, some of which were chosen after studies in the field of soccer and converted into visual rhythm images used to collect features processed by neural networks. In the present work, we propose to extract feature automatically by using recent graph neural network techniques, validating whether we can achieve good results this way. The motivation for this study arises from the desire to investigate whether the elimination of manual feature extraction can still yield satisfactory results. In other words, we want to analyze whether specific domain knowledge is crucial for the network’s accuracy. Another research question concerns studying the amount of information from the first five seconds necessary for proper analysis, as well as determining whether it is possible to compress this information without substantially compromising result quality. Reducing the dimensionality of these input data allows for more efficient training and prediction, reducing the model’s response time for generating the analysis. In our results, we define a set of scenarios and validate these scenarios using the balanced accuracy of each model. Our best model has a balanced accuracy of approximately 66%, which allows us to conclude that there is still room for improvement. We consider the current result quite relevant, as the flexibility of manual feature extraction within the machine learning pipeline has the potential to accelerate the achievement of satisfactory results, even if these results are only considered as a baseline Ver menos