Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

Contextual movement models based on normalizing flows

Texto completo
Autor(es):
Fadel, Samuel G. [1] ; Mair, Sebastian [2] ; da Silva Torres, Ricardo [3] ; Brefeld, Ulf [2]
Número total de Autores: 4
Afiliação do(s) autor(es):
[1] Univ Estadual Campinas, Campinas, SP - Brazil
[2] Leuphana Univ Luneburg, Luneburg - Germany
[3] Norwegian Univ Sci & Technol, Alesund - Norway
Número total de Afiliações: 3
Tipo de documento: Artigo Científico
Fonte: AStA-Advances in Statistical Analysis; AUG 2021.
Citações Web of Science: 0
Resumo

Movement models predict positions of players (or objects in general) over time and are thus key to analyzing spatiotemporal data as it is often used in sports analytics. Existing movement models are either designed from physical principles or are entirely data-driven. However, the former suffers from oversimplifications to achieve feasible and interpretable models, while the latter relies on computationally costly, from a current point of view, nonparametric density estimations and require maintaining multiple estimators, each responsible for different types of movements (e.g., such as different velocities). In this paper, we propose a unified contextual probabilistic movement model based on normalizing flows. Our approach learns the desired densities by directly optimizing the likelihood and maintains only a single contextual model that can be conditioned on auxiliary variables. Training is simultaneously performed on all observed types of movements, resulting in an effective and efficient movement model. We empirically evaluate our approach on spatiotemporal data from professional soccer. Our findings show that our approach outperforms the state of the art while being orders of magnitude more efficient with respect to computation time and memory requirements. (AU)

Processo FAPESP: 17/24005-2 - Inferência relacional temporal com redes neurais
Beneficiário:Samuel Gomes Fadel
Linha de fomento: Bolsas no Brasil - Doutorado
Processo FAPESP: 16/50250-1 - O segredo de jogar futebol: Brasil versus Holanda
Beneficiário:Sergio Augusto Cunha
Linha de fomento: Auxílio à Pesquisa - Temático
Processo FAPESP: 15/24494-8 - Comunicação e processamento de big data em nuvens e névoas computacionais
Beneficiário:Nelson Luis Saldanha da Fonseca
Linha de fomento: Auxílio à Pesquisa - Temático
Processo FAPESP: 17/20945-0 - EMU concedido no processo 16/50250-1: local positioning system
Beneficiário:Sergio Augusto Cunha
Linha de fomento: Auxílio à Pesquisa - Programa Equipamentos Multiusuários
Processo FAPESP: 18/19350-5 - Redes neurais para inferência relacional temporal na análise de futebol
Beneficiário:Samuel Gomes Fadel
Linha de fomento: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
Processo FAPESP: 19/17729-0 - Abordagens conduzidas por dados para análise de partidas de futebol: uma perspectiva de e-Science
Beneficiário:Paulo Roberto Pereira Santiago
Linha de fomento: Auxílio à Pesquisa - Regular