北海道コンサドーレ札幌ベガルタ仙台鹿島アントラーズ浦和レッズ大宮アルディージャ柏レイソルFC東京川崎フロンターレ横浜F・マリノスヴァンフォーレ甲府アルビレックス新潟清水エスパルスジュビロ磐田ガンバ大阪セレッソ大阪ヴィッセル神戸サンフレッチェ広島サガン鳥栖
モンテディオ山形水戸ホーリーホックザスパクサツ群馬ジェフユナイテッド千葉東京ヴェルディFC町田ゼルビア横浜FC湘南ベルマーレ松本山雅FCツエーゲン金沢名古屋グランパスFC岐阜京都サンガF.C.ファジアーノ岡山レノファ山口FCカマタマーレ讃岐徳島ヴォルティス愛媛FCアビスパ福岡V・ファーレン長崎ロアッソ熊本大分トリニータ
グルージャ盛岡ブラウブリッツ秋田福島ユナイテッドFC栃木SCY.S.C.C.横浜SC相模原AC長野パルセイロカターレ富山藤枝MYFCアスルクラロ沼津ガイナーレ鳥取ギラヴァンツ北九州鹿児島ユナイテッドFCFC琉球FC東京U−23ガンバ大阪U−23セレッソ大阪U−23
HOME » 名古屋グランパス 対戦予測シミュレーション
RSS
名古屋グランパス
Nagoya Grampus 名古屋グランパス[J2 2017シーズン]
順位 勝点 引分 得点 失点 得失点差
000 000 00
Recent Result
試合がありません
Next Match
2017 2/26[Sun]HOME
名古屋 名古屋 VS 岡山 岡山
パロ瑞穂

対戦予測シミュレーション

開発コンセプト

各チームにおける「状況別(※)シュート構築率」×「状況別シュート成功率」を考慮した対戦シミュレーションモデルの構築。

※後ろからビルドアップした方がゴールにつながりやすいチーム、前でボールを取った方が得点につながりやすいチーム、セットプレーで得点を取りやすいチームといったようにサッカーはそれぞれのチームスタイルがある。そこでそのような特徴を表すデータを状況別で分類し、それぞれのシュート構築率、シュート成功率に関する条件付き確率を使ってシミュレーターを構築した。

モデルの概念図

チーム別に以下のベイジアンネットワーク(複合条件付き確率モデル)を構築

①チーム別状況発生確率②チーム別状況別シュート構築率③チーム別状況別ゴール成功率
H
高い位置でボールを奪う確率
チーム別×H
シュート構築率
チーム別×H
ゴール成功率
M
中央の位置でボールを奪う確率
チーム別×M
シュート構築率
チーム別×M
ゴール成功率
L
低い位置でボールを奪う確率
チーム別×L
シュート構築率
チーム別×L
ゴール成功率
CK
CKの発生確率
チーム別×CK
シュート構築率
チーム別×CK
ゴール成功率
GK
GKの発生確率
チーム別×GK
シュート構築率
チーム別×GK
ゴール成功率
PK
PKの発生確率
チーム別×PK
シュート構築率
チーム別×PK
ゴール成功率
キックオフ
キックオフの発生確率
チーム別×キックオフ
シュート構築率
チーム別×キックオフ
ゴール成功率
スローイン
スローインの発生確率
チーム別×スローイン
シュート構築率
チーム別×スローイン
ゴール成功率
その他
その他の発生確率
チーム別×その他
シュート構築率
チーム別×その他
ゴール成功率

使用データ

2016年J2リーグの各チームにおける攻撃データをもとに

<①チーム別状況発生確率>
<②チーム別状況別シュート構築率>
<③チーム別状況別ゴール成功率>
を得点状況別に抽出。

対戦相手における上記データ(被データ)も按分したデータを使って、失点への影響も考慮。対戦相手が強い場合は高い位置でボールを奪いにくい、相手が引くチームの場合は高い位置でボールを奪いやすいといった概念を考慮している

シミュレーション方法

<①チーム別状況発生確率>を実装したサイコロを振り、約142回(制作時点でのJ1チームの1試合当たりの攻撃回数を参照)サイコロを振った結果を使い、以下のデータの発生をシミュレーション。

・得点数/被得点数
・シュート数/被シュート数
・GK数/被GK数
・FK数/被FK数
・CK数/被CK数
・PK数/被PK数

また、シュート発生時に「通常時」「CK、FK時」「PK時」「その他」の選手別シュート発生率を抽出し、誰がシュートを打つかどうかをシミュレートすることで、より試合後のスタッツに近い形のシミュレーションを実現。

こちらのシミュレーションを使って、どういったパターンで勝つのか?どの選手が点を取るのかなどを予測することが可能となっているので、試合前のプレビューを読みながら、どういった試合になるのか、見どころをチェックする上での参考にどうぞ。toto予想、totoGoal予想にも活用可能なので、ぜひともお試しあれ。

対戦予測シミュレーションの対戦相手を選択してください

  • 山形
  • 水戸
  • 群馬
  • 千葉
  • 東京V
  • 町田
  • 横浜FC
  • 湘南
  • 松本
  • 金沢
  • 岐阜
  • 京都
  • 岡山
  • 山口
  • 讃岐
  • 徳島
  • 愛媛
  • 福岡
  • 長崎
  • 熊本
  • 大分
このページをツイートして、フォロワーに広めよう!
PICK UPmore
NEW 2017 2/23 [Thu.] 2016年のJ1リーグ全試合データを機械学習し、2017年の展望を予測する(1) 富士ゼロックススーパーカップが終わり、いよいよ2/25から明治安田生命J1リーグが開幕する。本稿では、データスタジアムが保有する、2016年のJ1リーグ全出場選手の試合ごとのスタッツデータ※401項目を、機械学習手法を駆使して解析、各チームの勝敗予測モデルを作成することによって、2017年のJ1リーグの展望をデータから予測してみる。※ここでのスタッツデータとは、選手の走行距離やスプリント回数といったトラッキングデータと、インターセプト、パスやシュート、ドリブルの回数といったプレーデータを指す。 サッカーの勝敗予測はどのように行えばよいだろうか。サッカーは、ゴールが対戦相手よりも多いチームが勝利するスポーツだ。サッカーにおけるゴール数は、野球やバスケットボールなど他のスポーツと比較し、一般的に少ない。2016年J1リーグでは805ゴールが生まれたが、1試合における、各チームのゴール数は平均1.3ゴールであった。また、1試合における両チームあわせたゴール数が3ゴール以内だった試合は全体の71.6%となった。さてこのような滅多に起きない事象は、ポワソン分布と呼ばれる確率分布に従うことが知られている。ポワソン分布とは、いわゆる左右対称の正規分布ではなく、0や1といった小さい値となる確率が大きい確率分布となり、事象の平均値から求められる。
2017 1/27 [Fri.] 2016湘南シーズンレビュー ~苦しみの中に見えた光明~
2016 12/30 [Fri.] データで振り返る2016 ~川崎フロンターレ~
#footballlab
HOME » 名古屋グランパス 対戦予測シミュレーション
Team Select close