Using a graph-unified representation to predict movement on multi-agent continuous systems – football as case study
Predicting movement in multi-agent continuous sys- tems, such as football, presents significant challenges due to the dynamic and interactive nature of the environment. This work proposes a novel approach to movement prediction by leveraging a graph-unified representation, where football players are mod- eled as nodes and their interactions in time and space as edges. The proposed architecture, GuardiolAI, integrates Graph Neural Networks (GNNs) with Generative AI techniques, specifically Variational Autoencoders (VAEs), to capture both spatial and temporal dependencies in a unified manner. Unlike traditional methods that process spatial and temporal data separately, our approach models these aspects concurrently within a single graph structure. The methodology involves encoding tracking data from possession sequences into graph-based representations and employing GATv2 convolutional layers to learn adaptive attention weights across spatial and temporal dimensions. The model is evaluated using standard metrics such as Average Dis- placement Error (ADE), Mean Squared Error (MSE), and Final Displacement Error (FDE), and is benchmarked against baseline approaches. Experimental results demonstrate that the proposed approach achieves competitive performance, outperforming static and constant velocity baselines while providing insights into player interactions and team dynamics. This work establishes a strong foundation for future research in predictive modeling and generative AI applications within sports analytics.
—-
Prever o movimento em sistemas contínuos multiagentes, como o futebol, apresenta desafios significativos devido à natureza dinâmica e interativa do ambiente. Este trabalho propõe uma abordagem inovadora para a previsão de movimentos, aproveitando uma representação unificada em grafos, na qual os jogadores de futebol são modelados como nós e suas interações no tempo e espaço como arestas. A arquitetura proposta, GuardiolAI, integra Redes Neurais em Grafos (GNNs) com técnicas de IA Generativa, especificamente Autoencoders Variacionais (VAEs), para capturar dependências espaciais e temporais de maneira unificada. Diferentemente dos métodos tradicionais que processam dados espaciais e temporais separadamente, nossa abordagem modela esses aspectos simultaneamente dentro de uma única estrutura de grafo. A metodologia envolve a codificação de dados de rastreamento de sequências de posse em representações baseadas em grafos e a utilização de camadas convolucionais GATv2 para aprender pesos de atenção adaptativos em dimensões espaciais e temporais. O modelo é avaliado usando métricas padrão, como o Erro Médio de Deslocamento (ADE), Erro Médio Quadrático (MSE) e Erro Final de Deslocamento (FDE), sendo comparado com abordagens de linha de base. Os resultados experimentais demonstram que a abordagem proposta alcança um desempenho competitivo, superando as linhas de base estática e de velocidade constante, além de fornecer insights sobre interações entre jogadores e dinâmicas de equipe. Este trabalho estabelece uma base sólida para futuras pesquisas em modelagem preditiva e aplicações de IA generativa na análise esportiva.
2024/2 - POC2
Orientador: Wagner Meira Jr. e Adriano Machado
Palavras-chave: Multi-Agent Systems, Graph Neural Networks, Movement Prediction, Trajectory Forecasting, Generative AI, Football Analytic
Link para vídeo
PDF Disponível