人工智能在德甲比赛分析中的应用：通过预期控球价值（EPV）与预期进球数（xG）来预测足球比赛的结果

《Frontiers in Sports and Active Living》：AI in Bundesliga match analysis—expected possession value (EPV) vs. expected goals (xG) to predict match outcomes in soccer

预测足球比赛结果的有效性比较：xG与EPV的赛前和赛后应用 本研究对比了预期进球（xG）和预期控球价值（EPV）在赛前和赛后预测比赛结果中的有效性。基于德甲2022/23至2024/25赛季的918场比赛数据，开发了四类预测模型：xG/EPV赛前和赛后预测。结果显示，赛后xG预测表现最佳（RPS=0.148，准确率65.6%），而赛前EPV略优于xG（RPS=0.194 vs 0.199）。研究证实xG在赛后分析中更精准，EPV在赛前预测中更具优势，且结合两者可提升战术评估的客观性。

　　在现代足球运动中，数据分析和关键绩效指标（KPI）的运用已成为提升球队表现和理解比赛动态的重要工具。随着技术的进步，越来越多的KPI被开发出来，用于衡量球队和球员在不同情境下的表现。这些KPI不仅帮助教练和分析师更准确地评估球队的战术执行能力，还为预测比赛结果提供了科学依据。然而，面对如此多的KPI，如何筛选出最具预测价值的指标，成为足球数据分析领域的一个核心问题。本研究聚焦于两个广受关注的KPI——预期进球（xG）和预期球权价值（EPV），探讨它们在预测比赛结果方面的有效性，尤其是在赛前和赛后情境下的表现差异。

足球比赛的不确定性一直是其魅力所在，从弱队逆袭强队的杯赛奇迹，到强队在常规赛中遭遇意外失利，这些现象都表明了比赛结果并非完全取决于球队实力。因此，数据分析的引入为这一不确定性提供了更系统、更客观的解释方式。通过分析比赛数据，可以识别出那些对结果具有显著影响的指标，从而帮助教练和球队在战术安排和人员调配中做出更精准的决策。在这一背景下，xG和EPV作为衡量进攻表现的重要指标，被广泛应用于比赛分析和预测研究。

xG作为一种衡量球队进攻效率的KPI，其核心在于量化每脚射门转化为进球的概率。这种方法通过考虑射门位置、角度、身体接触、防守压力等因素，提供了对进攻质量的评估。然而，xG的局限性在于，它仅关注射门这一单一行为，忽略了其他重要的进攻环节，如传球、跑动、控球等。相比之下，EPV则提供了一个更全面的视角，它不仅关注射门，还考虑了每一次控球行为的潜在得分机会。EPV通过分析球员在场上的位置、球队的组织结构、防守压力等因素，评估每个控球行为的得分概率，从而为球队的整体进攻表现提供更细致的刻画。这种全面性使得EPV在预测未来比赛结果时表现出更强的适应性和准确性。

本研究的数据来源于三个连续的德甲赛季（2022/23、2023/24和2024/25），涵盖了918场比赛的事件数据和追踪数据。事件数据包括了比赛中发生的各种动作，如传球、射门、拦截等，而追踪数据则记录了球员和球在场上的位置变化。这些数据的结合为构建更精确的预测模型提供了基础。通过同步事件数据和追踪数据，研究团队能够更全面地捕捉比赛中的动态变化，并为模型训练提供高质量的输入特征。

在赛前预测方面，研究团队开发了基于xG和EPV的两种预测方法。这些方法利用了球队最近三场比赛的表现，以及比赛的上下文因素，如主场优势、对手实力等。结果显示，EPV在赛前预测中表现优于xG，其RPS为0.194，准确率为0.583，而xG的RPS为0.199，准确率为0.556。这一结果表明，EPV在预测未来比赛结果时具有更高的准确性和可靠性。EPV能够综合考虑球队在比赛中的多个关键因素，如控球质量、球员跑动效率、球队整体组织等，从而提供更全面的进攻表现评估。相比之下，xG虽然在衡量进攻效率方面有其独特优势，但其关注范围较为狭窄，可能遗漏了一些对比赛结果具有重要影响的细节。

在赛后预测方面，研究团队同样采用了xG和EPV两种方法。然而，与赛前预测不同，赛后预测基于已经发生的比赛数据，因此能够提供更直接的评估。结果显示，xG在赛后预测中表现最佳，其RPS为0.148，准确率为0.656，而EPV的RPS为0.191，准确率为0.596。这一结果可能与xG的聚焦性有关，因为赛后数据更直接地反映了球队在比赛中的实际表现，而xG作为衡量进攻效率的指标，能够更精确地捕捉射门质量的变化。此外，xG的计算方式相对简单，且数据可获得性较高，这可能也是其在赛后预测中表现优异的原因之一。

为了进一步评估这些KPI的预测能力，研究团队采用了多种评价指标，包括RPS、准确率和Brier Score。RPS用于衡量预测概率与实际结果之间的匹配程度，而准确率则直接反映了预测结果与实际结果的一致性。Brier Score则提供了对预测模型整体准确性的量化评估，同时还能分解为不确定性、可靠性与分辨力三个部分。这些指标的综合应用使得研究团队能够全面比较xG和EPV在不同预测情境下的表现。

从实际应用的角度来看，xG和EPV不仅在预测比赛结果方面表现出色，还能够为球队提供更深入的战术分析。例如，通过分析xG数据，教练可以了解球队在比赛中创造的进攻机会的质量，从而调整进攻策略。而EPV则能够揭示球队在控球和进攻组织方面的整体表现，帮助教练识别球队在不同阶段的战术执行情况。此外，这些KPI还可以用于赛后分析，帮助球队回顾比赛中的表现，找出成功或失败的关键因素。

在本研究中，xG和EPV的应用还揭示了一些重要的趋势。例如，xG在赛后预测中的表现优于EPV，这可能是因为赛后数据更直接地反映了球队的进攻效率，而EPV虽然在赛前预测中表现优异，但在赛后预测中可能受到比赛过程中不可控因素的影响。另一方面，EPV在赛前预测中的优势可能源于其对球队整体表现的全面考量，能够捕捉到比赛中未转化为射门的进攻机会，从而提供更丰富的信息。

研究团队还对模型的可解释性进行了深入分析，通过SHAP值（Shapley Additive Explanations）来揭示不同特征对预测结果的影响。SHAP值能够帮助分析人员理解模型的决策过程，识别哪些特征对预测结果起到了关键作用。例如，在赛前预测中，对手实力和主场优势被证明是最重要的因素，而在赛后预测中，球队的射门质量和数量则占据了主导地位。这种可解释性不仅提高了模型的可信度，还为教练和分析师提供了更具体的指导。

此外，本研究还指出了当前足球数据分析领域的一些局限性。首先，模型未能考虑球员个体的表现，如关键球员的贡献、伤病情况等。这些因素可能对比赛结果产生重要影响，因此未来的研究可以进一步引入球员层面的数据，以提高预测的精度。其次，研究仅基于三个连续的德甲赛季数据，可能无法完全反映模型的长期稳定性。因此，未来的研究需要扩展数据范围，以验证模型在不同时间和不同联赛中的适用性。第三，当前的预测模型主要关注单场比赛的预测，而未来的研究可以探索其在多场比赛预测中的表现，例如预测整个赛季的积分排名或特定阶段的比赛结果。

总体而言，本研究通过比较xG和EPV在赛前和赛后预测中的表现，为足球数据分析提供了一个新的视角。结果显示，EPV在赛前预测中具有更高的准确性和可靠性，而xG在赛后预测中表现更优。这种差异可能源于两种KPI在数据收集和分析方法上的不同。EPV能够更全面地评估球队的进攻表现，而xG则更直接地反映比赛中实际发生的进攻机会。因此，在不同的分析场景中，选择合适的KPI对于提高预测的准确性至关重要。

研究还强调了足球数据分析的实际应用价值。通过结合赛前和赛后预测，球队可以更全面地评估自己的表现，并为未来的比赛制定更科学的策略。例如，赛前预测可以帮助球队在比赛前识别对手的潜在优势和劣势，从而调整战术安排。而赛后预测则能够帮助球队回顾比赛中的表现，找出需要改进的地方。此外，这些预测方法还可以用于赛季中期的评估，帮助球队判断当前的战术是否有效，并及时做出调整。

本研究的结果对足球数据分析领域具有重要的启示意义。它不仅展示了xG和EPV在预测比赛结果方面的不同优势，还为未来的研究提供了方向。例如，如何进一步优化模型，使其在不同情境下都能保持较高的预测准确率；如何结合更多数据类型，如球员个体数据、伤病信息等，以提高模型的全面性和实用性；以及如何拓展模型的应用范围，使其不仅适用于联赛，还能应用于杯赛或其他类型的赛事。

最后，研究团队指出，尽管xG和EPV在预测比赛中表现出色，但它们仍然存在一定的局限性。未来的研究需要在这些方面进行深入探索，以进一步完善足球数据分析的体系。同时，随着技术的不断进步，更多的数据和更复杂的模型可能会被引入，从而提升预测的准确性和实用性。这些发展将为足球教练、分析师和球迷提供更丰富的信息，帮助他们更好地理解和预测比赛结果。