防御性通行干扰(DPI)是NFL中最有影响力的处罚之一。 DPI是一个犯规的犯规,首先是自动的,该团队拥有。有了对游戏的影响,裁判没有犯错的余地。这也是一个非常罕见的事件,每100次通行证尝试发生1-2次。随着技术的改进,将许多物联网可穿戴设备放在运动员那里以收集有价值的数据,因此,应用机器学习(ML)技术有一个坚实的基础来改善游戏的各个方面。这里介绍的工作是使用播放器跟踪GPS数据预测DPI的首次尝试。在2018年常规赛中,NFL的下一个Gen Stats收集了我们使用的数据。我们提出了高度不平衡时间序列分类的ML模型:LSTM,GRU,ANN和多元LSTM-FCN。结果表明,使用GPS跟踪数据预测DPI的成功有限。最佳性能模型的召回率很高,因此导致许多假阳性示例的分类。仔细观察数据证实,没有足够的信息来确定是否犯规。这项研究可能是用于视频序列分类的多步管道的过滤器,可以解决此问题。
translated by 谷歌翻译