竞技体育数据可视化与可视化分析综述

A survey of competitive sports data visualization and visual analysis

竞技体育数据可视化与可视化分析综述

研究背景：1、竞技体育的发展导致竞技体育数据的大规模产生；2、针对竞技体育数据已有研究人员进行分析和软件开发；3、竞技体育数据的分析有助于专业分析，并可通过有效行为决策达到提高体育训练和比赛效果。

研究目的：1、处理大规模竞技体育数据，认知运动员的行为模式，了解个人贡献度和活动程度；2、简单的数字形式无法让专业人员理解多维竞技体育数据的真正含义。

研究现状：1、以表格数据形式通过竞赛上座率研究人们对竞技体育的需求和研究情绪对竞技体育运动员的表现。2、将体育时空数据从物体轨迹和事件记录中分类，未对数据特征进行描述和细分。3、未结合可视化技术基于数据类别对运动可视化分类。4、在研究团队运动可视化的时候并未从用户角度对体育可视化的主要任务进行分析和描述。5、体育数据分类和基于数据特征的体育数据可视化工作分类，但未总结体育数据可视化的主要目标。

小结：关于体育竞技数据可视化应该要对竞技体育数据的分类、竞技体育数据可视化的主要任务和关键技术进行研究。

文献综述行文逻辑结构：

• 竞技体育数据分类：1、时空信息数据2、统计信息数据
• 竞技体育数据可视化的主要任务：1、陈述2、比较3、预测
• 竞技体育数据可视化关键技术：1、高维数据可视化2、时间序列数据可视化3、图数据可视化
• 数据分类、主要任务和可视化技术之间的关系。

研究内容：

• 竞技体育数据分类：主要分为两大类，一类是时空信息数据以体育竞技中的球类活动为例，展开介绍了绝对时空信息和相对时空信息，绝对时空信息就会包含一些实体的轨迹信息（实体坐标、速度、时间、高度等等）；相对时空信息包括一些实体对象的相对位置，此时会借助参考系（对象的射击信息、战术信息等等）。第二类便是统计信息数据，他将统计信息细致划分为赛事统计和人员统计，在赛事统计上详细介绍了其中的时序事件、周期事件，以及这些事件产生数据在数据可视化方面的研究情况，人员统计类似。

• 竞技体育数据可视化的主要任务：由于针对不同的可视化对象会有不同的可视化目标，本文将可视化的主要任务根据不同对象分为了三大类：1、特征呈现（为了展示球员特征信息，团队信息，赛事信息等）2、特征比较（为了了解球员的贡献度和能力，赛事特征等）3、特征预测（根据预测结果及时协调战队，改变战斗策略等）

• 竞技体育数据可视化关键技术：1、高维数据可视化：由于体育竞技数据的多维属性特征，为了突出特征数据的分布和多维数据变量之间的关系。2、时序可视化：关于轨迹数据不仅具有高微性还具有实时性，利用时序可视化技术更容易反映信息对象随时间变化的行为模式。3、网络可视化：由于体育竞技数据的时间维属性不可缺少，属于时空数据，网络可视化难以刻画，故网络可视多用于数据概览，属性关系表达。4、图像可视化：通过图形化实体对数据进行可视化描述，显示数据的多元特征。5、其他可视化：基于文本的、还有一些自行设计的可视化方案。

• 数据分类、主要任务和可视化技术之间的关系（本文都以相关性图表呈现）

  • 数据与可视化技术之间的关系：基于现有可视化技术的情况下，通常研究人员会根据数据的特征属性来对应可视化技术从而达到相对较好的效果，但是还是会有少数研究者根据数据的特征属性自行制定可视化图表来完善可视化效果。

  • 实现任务与可视化技术之间的关系：在针对任务的时候，往往研究者会根据这三类（特征呈现、特征比较、特征预测）实现任务而去研究相应的可视化技术

  小结：就本文而言，目前普遍用于所有任务类别的可视化技术为热力图、直方图、矩阵。可见并不是可视化技术应用频繁就代表他普遍适用，而我认为可视化的研究是希望把可视化技术达到普遍。

  竞技体育数据可视化研究案例：

  1、在足球数据可视化分析系统中提到了流线分析针对不同对象和事件的工作流，以及结果预测流程，系统提供的交互操作。在橄榄球数据可视化研究中提出了迭代分析过程、系统流程、知识辅助排名框架等。棒球可视化系统中针对数据流提出了不同的程序。

  2、竞技体育异构数据：包含着各个对象间的特征属性组合而成的体育数据和附加数据可视化价值是十分可观的，由于这类数据属于不同领域的交叉结合，从而不仅对竞技体育研究有帮助对于很多商业领域也价值巨大。

  研究问题：

  1、竞技体育数据的特点与局限性：竞技体育研究涵盖不全，数据获取途径不同导致的数据共性和差异研究较少，数据可视化技术基础单一。

  2、竞技体育中的多媒体数据：在视觉分析上研究较少，目前大概涉及到的是摄像头视频跟踪技术研究运动轨迹，通过视频和音频数据对视频对象的属性特征分析。

  3、对可视化的评价标准，目前缺少基于不同需求，不同任务点的完成度以及方法工具的使用程度来评估。

  研究展望：1、基于统计分析和机器学习的特征提取与分析2、针对不同的数据类型、数据属性和派生特征选择合适的可视化技术3、混合不同的数据属性来呈现数据可视化和可视化分析结果，以及如何建立有意义的评估框架

注：综述笔记源自《A survey of competitive sports data visualization
and visual analysis》_X. Yuan