Given the large pitch, numerous players, limited player turnovers, and sparse scoring, soccer is arguably the most challenging to analyze of all the major team sports. In this work, we develop a new approach to evaluating all types of soccer actions from play-by-play event data. Our approach utilizes a Deep Reinforcement Learning (DRL) model to learn an action-value Q-function. To our knowledge, this is the first action-value function based on DRL methods for a comprehensive set of soccer actions. Our neural architecture fits continuous game context signals and sequential features within a play with two stacked LSTM towers, one for the home team and one for the away team separately. To validate the model performance, we illustrate both temporal and spatial projections of the learned Q-function, and conduct a calibration experiment to study the data fit under different game contexts. Our novel soccer Goal Impact Metric (GIM) applies values from the learned Q-function, to measure a player’s overall performance by the aggregate impact values of his actions over all the games in a season. To interpret the impact values, a mimic regression tree is built to find the game features that influence the values most. As an application of our GIM metric, we conduct a case study to rank players in the English Football League Championship. Empirical evaluation indicates GIM is a temporally stable metric, and its correlations with standard measures of soccer success are higher than that computed with other state-of-the-art soccer metrics.

中文翻译：

---

深度足球分析：学习用于评估足球运动员的动作值功能

鉴于球场大，球员数量少，球员失误和得分稀少，足球无疑是分析所有主要团队运动中最具挑战性的。在这项工作中，我们开发了一种新方法，可以根据逐项比赛数据评估所有类型的足球动作。我们的方法利用深度强化学习（DRL）模型来学习动作值Q函数。据我们所知，这是基于DRL方法的第一个动作值函数，用于一组完整的足球动作。我们的神经体系结构通过两个堆叠的LSTM塔架（一个分别用于主队，一个单独用于客队）在比赛中适应连续的游戏上下文信号和顺序特征。为了验证模型的性能，我们说明了学习到的Q函数的时间和空间投影，并进行校准实验，以研究不同游戏环境下的数据拟合度。我们新颖的足球目标影响力指标（GIM）应用从学习到的Q函数获得的值，通过一个赛季中所有比赛中他的动作的总影响值来衡量球员的整体表现。为了解释影响值，构建了模拟回归树，以找到影响值最大的游戏特征。作为我们GIM指标的一种应用，我们进行了案例研究，以排名英国足球联赛冠军。经验评估表明，GIM是时间稳定的度量标准，它与足球成功的标准度量之间的相关性高于使用其他最新足球度量标准所计算的相关性。我们新颖的足球目标影响力指标（GIM）应用从学习到的Q函数获得的值，通过一个赛季中所有比赛中他的行动的总影响值来衡量球员的整体表现。为了解释影响值，构建了模拟回归树，以找到影响值最大的游戏特征。作为GIM指标的一种应用，我们进行了案例研究，以排名英国足球联赛冠军。经验评估表明，GIM是时间稳定的度量标准，它与足球成功的标准度量之间的相关性高于使用其他最新足球度量标准所计算的相关性。我们新颖的足球目标影响力指标（GIM）应用从学习到的Q函数获得的值，通过一个赛季中所有比赛中他的行动的总影响值来衡量球员的整体表现。为了解释影响值，构建了模拟回归树，以找到影响值最大的游戏特征。作为GIM指标的一种应用，我们进行了案例研究，以排名英国足球联赛冠军。经验评估表明，GIM是时间稳定的度量标准，它与足球成功的标准度量之间的相关性高于使用其他最新足球度量标准所计算的相关性。建立了模拟回归树，以找到对价值影响最大的游戏特征。作为我们GIM指标的一种应用，我们进行了案例研究，以排名英国足球联赛冠军。经验评估表明，GIM是时间稳定的度量标准，它与足球成功的标准度量之间的相关性高于使用其他最新足球度量标准所计算的相关性。建立了模拟回归树，以找到对价值影响最大的游戏特征。作为GIM指标的一种应用，我们进行了案例研究，以排名英国足球联赛冠军。经验评估表明，GIM是时间稳定的度量标准，它与足球成功的标准度量之间的相关性高于使用其他最新足球度量标准所计算的相关性。