Characterization of trajectories in football matches from anomalous diffusion models

[ES] El análisis deportivo es un campo el cual ha ido creciendo mucho estos últimos años. De la mano del Big Data se han empezado a hacer muchos más estudio y con más posibilidades. En el mundo del fútbol la Ciencia de Datos junto con el machine learning ha cambiado por completo muchos de los análisis que existían y se han creado otros nuevos. En este proyecto hemos seguido la metodología CRISP-DM [1] utilizando principalmente python como lenguaje de programación. Se ha hecho uso de diversas librerías como pueden ser pandas, matplotlyb,fbm,sklearn, entre otras. El proyecto se divide en dos análisis, el principal y más innovador, en el cual hacemos uso de la difusión anómala para obtener información de las distintas trayectorias del balón durante un partido. El análisis secundario se basa en observar los distintos estilos de juego de las selecciones mediante grafos y teoría de redes, en este caso, redes de pases. En cuanto a la parte de difusión anómala se han utilizado modelos de redes neuronales convolucionales que han sido elegidos tras realizar varias pruebas y descartar los peores modelos.
[EN] Sports analysis is a field which has been growing a lot in recent years. With the help of Big Data, many more studies have begun to be carried out and with more possibilities. In the world of football, Data Science together with machine learning has completely changed many of the existing analyses and new ones have been created. In this project we have followed the methodology CRISP-DM [1] using mainly python as programming language. We have made use of several libraries such as pandas, matplotlyb,fbm,sklearn, among others. The project is divided into two analyses, the main and most innovative, in which we make use of anomalous diffusion to obtain information on the different trajectories of the ball during a match. The secondary analysis is based on observing the different styles of play of the teams using graphs and network theory, in this case, passing networks. As for the anomalous diffusion part, convolutional neural network models have been used, which have been chosen after carrying out several tests and discarding the worst ones.
[CA] L’anàlisi esportiu és un camp el qual ha anat creixent molt estos últims anys. De la mà del Big Data s’han començat a fer molts més estudis i amb més possibilitats. En el món del futbol la Ciència de Dades junt amb el machine learning ha canviat per complet molts dels anàlisis que existien i s’han creat uns altres de nous. En este projecte hem seguit la metodologia CRISP-DM [1] utilitzant principalment python com a llenguatge de programació. S’ha fet ús de diverses llibreries com poden ser pandas, matplotlyb,fbm,sklearn, entre altres. El projecte es dividix en dos anàlisis, el principal i més innovador, en el qual fem ús de la difusió anòmala per a obtindre informació de les distintes trajectòries del baló durant un partit. L’anàlisi secundària es basa a observar els distints estils de joc de les seleccions per mitjà de grafos i teoria de xarxes, en este cas, xarxes de passes. En quant a la part de difusió anòmala s’han utilitzat models de xarxes neuronals convolucionals que han sigut triats després de realitzar diverses proves i descartar els pitjors models.