予測するAI(6)：サッカー×AI・機械学習の全貌

勝敗予測から戦術自動生成まで



Text by Ichiro Hoshinaka

1. はじめに：フットボール・アナリティクスのパラダイムシフト


フットボールは長らく、監督やスカウトの「眼」と「経験的直感」が支配する競技であった。しかし、2010年代半ばから急激に進展したデータトラッキング技術と機械学習（ML）の進化は、この不確実性の高いスポーツに不可逆なパラダイムシフトをもたらした。

かつてのアナリティクスは、シュート数、パス成功率、走行距離といった「結果イベントの単純集計（On-ball Event Aggregation）」に過ぎなかった。しかし、現代のスポーツアナリティクスは、コンピュータビジョンとディープラーニングを用いた「時空間トラッキングデータ（Spatio-temporal Tracking Data）」の連続解析へと移行している。

サッカーは、11対11の22人が連続的かつ流動的に位置を変える「非構造化・連続空間の低得点ゲーム」である。野球のような静的なイニング制・一対一の対戦構造とは異なり、事象の文脈（Context）を定量化することがきわめて難しい。本稿では、最新の機械学習アルゴリズムがどのようにサッカーの事象をモデル化し、ゴール期待値（xG）や勝敗予測を精密化し、更には未来の戦術自動生成へと至るのか、技術的側面から包括的に解説する。


2. データ構造の進化：イベントデータからマルチカメラトラッキングへ


サッカーにおける機械学習モデルの精度は、入力データの解像度に依存する。データは大きく3つの世代（Generation）に分類される。


【第1世代】構造化イベントデータ（Opta, StatsPerform等）

  │  (x, y) 座標 + アクションタグ (Pass, Shot, Tackle)

  ▼

【第2世代】2D トラッキングデータ (Optical Tracking)

  │  25Hzでの全選手・ボールの 2D 座標 (x, y)

  ▼

【第3世代】3D 骨格トラッキング (Skeleto-Temporal Data) + Broadcaster Video

     姿勢推定 (Pose Estimation) による全身関節の 3D 座標 (x, y, z)


第1世代) イベントデータ（Event Data）

選手がボールに触れた瞬間（パス、シュート、トラップ、ファウルなど）をタイムスタンプおよび2D位置座標 $(x, y)$ とともに記録したもの。集計は容易だが、「ボールを持たない20人の動き（Off-the-ball Movement）」が完全に見落とされる限界がある。

第2世代) 光学トラッキングデータ（Optical Tracking Data）

スタジアムに設置された高解像度カメラアレイ（TRACAB等）を用い、毎秒25フレーム（25Hz）以上の頻度で全22選手とボールの位置座標 (x, y) を追跡した時系列データ。これにより、守備ラインの伸縮、コンパクトネス、選手の走行ベクトル、スペースの創出速度を正確に計算可能となった。

第3世代) 姿勢推定データと放送映像の直接解析（Pose Estimation & Broadcast Analysis）

近年実用化が進むのが、単眼のテレビ放送映像（Broadcast Video）からピッチ座標へのホモグラフィ変換（Homography Transformation）およびコンピュータビジョン（YOLOv8やDeepSORT等）を用いたトラッキング手法である。放送映像からのトラッキングは、専用カメラによるトラッキングを補完・代替する研究・実用技術として発展している。

さらに、研究・実用化が進むシステムでは、選手の関節位置を推定する骨格トラッキングも利用されている。オフサイド判定に必要な身体位置だけでなく、「選手がどちらの足を軸に身体を向けているか（Body Orientation）」までが機械学習の入力特徴量（Input Features）として扱われる。


3. ゴール期待値（xG）の数学的定式化と発展モデル


ゴール期待値（Expected Goals: xG）は、サッカーアナリティクスにおける最も基本的な「確率モデル」である。


3-1 基本概念と数式定義

xGとは、「ある特定の状況から放たれたシュートがゴールに入る確率」を0から1の範囲で表した数値である。シュートの機会を $i$、その時の状況ベクトルを $\mathbf{x}_i \in \mathbb{R}^d$ とすると、xGは条件付き確率 $P(y_i = 1 \mid \mathbf{x}_i)$ としてモデル化される。ここで $y_i \in \{0, 1\}$ はゴールの成否を示す。

初期のモデルではロジスティック回帰（Logistic Regression）が用いられていた：

$$P(y_i = 1 \mid \mathbf{x}_i) = \sigma(\mathbf{w}^T \mathbf{x}_i + b) = \frac{1}{1 + e^{-(\mathbf{w}^T \mathbf{x}_i + b)}}$$

特徴量ベクトル $\mathbf{x}_i$ には以下が含まれる：

  • ゴール中心までの距離（Distance）および角度（Angle）

  • ボディパーツ（足、頭、その他）

  • プレーの文脈（オープンプレー、コーナーキック、フリーキック、カウンター）

  • アシストの種類（スルーパス、クロス、リバウンド）

つまり、xGは「そのシュートが入ったか」だけを見るのではなく、「そのシュートがどれくらいゴールになりやすかったか」を確率として評価する仕組みである。


3-2 現代の高度化モデル：XGBoostとトラッキングデータの融合

現代のxGモデルでは、勾配ブースティング木（Gradient Boosted Decision Trees: GBDT、主に XGBoost や LightGBM）が有力な手法の一つである。非線形な特徴量相互作用（例：「角度が浅くても、キーパーの位置がズレていれば確率が跳ね上がる」など）を自動的に捉えるためである。

さらに、トラッキングデータを融合させた「Spatial xG」では、以下の幾何学的特徴量が追加される：

  • ゴール視野角（Shot Cone）内の守備選手数

  • ゴールキーパーとシュート位置を結ぶ直線上の障害物密度

  • 守備陣の圧迫度（Pressure Index）

  • シューターの移動速度およびボールのバウンド・軌道情報


 [シュート位置 (x, y)]

      │

      ├─ Distance & Angle

      ├─ Body Orientation (姿勢)

      ├─ Defenders in Cone (トラッキングデータ) ──►  XGBoost / LightGBM ──► xG Value (0.00 - 1.00)

      └─ Goalkeeper Position


3-3 派生モデル

  • xG on Target (xGOT / Post-Shot xG):
    シュートが放たれた「後」の軌道（枠内のどこに飛んだか、球速など）を計算に入れるモデル。ゴールキーパーのセービングパフォーマンス評価（PSxG - Goals Conceded）に直接利用される。

  • xT (Expected Threat):
    ピッチをグリッド（例：16×12）に分割し、マルコフチェーン（Markov Chain）を用いて「パスやドブルによってボールをどのエリアに動かすと、数アクション以内にゴールが生まれる確率（xG）がどれだけ上昇したか」を定量化する指標。


4. 勝敗予測モデルのアーキテクチャ


サッカーの勝敗予測は、ブックメーカーのプライシング、メディアの戦力分析、クラブの意思決定において中核をなすアルゴリズム領域である。


4.1 ポアソン分布から2変量ポアソンモデルへ


古典的な統計手法では、両チームの攻撃力 $\alpha$ と守備力 $\beta$ をベースに、得点数 $K$ がポアソン分布に従うと仮定する：

$$P(X = k) = \frac{\lambda^k e^{-\lambda}}{k!}$$

しかし、サッカーの試合において「ホームチームの得点」と「アウェイチームの得点」は独立ではない。これらを統合するため、2変量ポアソン分布（Bivariate Poisson Distribution）や、引き分けの発生確率を補正する Dixon-Coles モデル が広く使われてきた。Dixon-Colesモデルは、低スコア（0-0, 1-0, 0-1, 1-1）における確率パラメータを調整する補正因子 $\tau(x, y)$ を導入することで、モデルの適合度を飛躍的に高めた。


4.2 ディープラーニングとアンサンブル学習による現代の勝敗予測


現代の勝敗予測システムでは、統計モデルと機械学習モデルを組み合わせるアプローチも研究されている。


※データ構造の一例


勝敗予測における重要特徴量（Feature Importance）の上位には、単なる「直近の勝敗」ではなく、「過去5〜10試合のxG差分（xG Differential）」や「PPDA（Passes Per Defensive Action: プレス強度の指標）」、「移動距離・休息時間差（Rest Differential）」が位置する。結果（勝敗・得点）には大きな運の要素（Dispersion）が含まれるが、xG等のプロセスデータは真のチーム力を反映しやすいためである。


5. 現場における実用例：トラッキングとデータ分析の最新最前線


機械学習モデルはすでに単なる「分析ツール」を超え、ピッチ上およびクラブ経営の基盤システムとして稼働している。


5-1 自動オフサイド判定システム（Semi-Automated Offside Technology: SAOT）

FIFAワールドカップやUEFAチャンピオンズリーグで導入されたSAOTは、屋根の下に設置された12台の専用カメラと、ボール内部のIMU（慣性計測装置）センサー（500Hz）を組み合わせたシステムである。

カメラは選手1人につき29箇所の骨格ポイントを毎秒50回トラッキングする。ボールが蹴られた瞬間（Kick-point）をIMUがミリ秒単位で特定すると同時に、AIが自動的にオフサイドラインを生成し、数秒で3Dアニメーションをレンダリングする。これにより、人間の目では判定不可能な数センチメートル単位のオフサイドが即座に割り出される。

5-2 選手スカウティングと「代替選手検索」アルゴリズム

欧州の主要クラブでは、機械学習を活用した選手スカウティングや代替選手検索の取り組みも進められている。

例えば、自クラブの主力ミッドフィルダーが移籍・退団する際、単純なゴール数やアシスト数ではなく、コサイン類似度（Cosine Similarity）やk近傍法（k-NN）を用いて、世界中のリーグから「類似した時空間ムーブメントパターンおよびプレッシング耐性を持つ若手選手」を自動抽出する。ベクトル空間上で「ボール保持時のプレッシャー下におけるパスの期待成功率増加量」などを多次元比較することで、市場価値が高騰する前の隠れた人材の発掘を可能にしている。

5-3 リアルタイム・インゲームアナリティクス

試合中、ベンチのコーチ陣にリアルタイムでデータが送信される。

例えば、「相手の左サイドバック裏のスペースのカバーリングが遅れ始めている（相手の移動速度トラッキングデータの低下）」や、「自チームのプレス強度が低下し、相手のxG生成確率がx%上昇している」といった警告が、タブレット上のダッシュボードへ可視化されて届く。


6. サッカーにおけるAI・機械学習の未来と課題


未来のフットボール・アナリティクスは、単なる「分析（Descriptive/Predictive）」から「戦術の処方（Prescriptive Analytics）」へと移行しつつある。


6-1 機械学習がもたらす未来の変革

① 生成AIと強化学習（RL）による戦術シミュレーション

DeepMind社とLiverpool FCの共同研究による「TacticAI」に代表されるように、グラフニューラルネットワーク（GNN）を用いてコーナーキックやセットプレーの配置を幾何学的にモデル化し、最もゴール確率を高めるフォーメーションや走り込みのパターンをAIが自動生成する技術が現実化している。Liverpool FCの専門家による評価では、TacticAIが生成した戦術提案は実際の戦術より90%の割合で好まれたともレポートされている。

今後は、マルチエージェント強化学習（Multi-Agent Reinforcement Learning: MARL）を活用し、「相手チームの守備ブロックモデル（AI）」に対して「自チームの攻撃モデル（AI）」をバーチャル空間で何百万回も戦わせ、最適なブレイクスルー戦術を事前に自動探索するシステムが実用化される可能性がある。



② 骨格トラッキングと怪我予測（Injury Prediction）

ウェアラブルデバイスのバイオメトリクスデータ（心拍数、ローディング）と3D姿勢推定データを結合し、選手の「走りのフォームの微細な歪み」や「着地時の関節角度の変化」から、ハムストリングス等の肉離れリスクを数試合前に検知・予測するモデルの精度向上が期待されている。研究が進んでいる一方、外部検証やデータの標準化などが課題として残っている。


6-2 直面する課題と限界

  • ドメインナレッジとブラックボックス化のギャップ
    ディープラーニングモデルが高次元な空間データを処理して導き出した指示（例：「特定のピッチ座標に5秒早く入れ」など）は、現場の監督や選手にとって「直感的に理解しづらい」場合がある。Explainable AI（XAI） や、タクティカルな文脈を組み込んだ言語モデルによる「解釈可能性の担保」が不可欠である。

  • データ収集コストとリーグ間の格差
    高品質な3D骨格トラッキングや高度なトラッキングシステムを導入できるのは、資金力のある一部のトップリーグや大手クラブに限られている。データの不平等（Data Inequality）がクラブ間の格差をさらに広げる懸念が存在する。


7. おわりに


サッカーにおける機械学習の活用は、「感覚と経験のスポーツ」を「構造と確率の科学」へと変貌させつつある。ゴール期待値（xG）の定着から始まり、トラッキングデータの高解像度化、そして深層学習による時空間パターンの解明へと進化を遂げてきた。

しかし、どれほどアルゴリズムが高度化しようとも、ピッチ上でプレーするのは感情や疲労を持つ人間であり、1発のレッドカードや不条理なバウンドが試合を一変させる「ランダム性（Stochasticity）」こそが、サッカーという競技の本質的な魅力である。

AI・機械学習の真の価値は、監督や選手の intuition（直感）を否定することではなく、人間の能力の限界を超えたデータ処理によって「不確実性を少しでも低減し、意思決定の精度を高める相棒」として機能することにある。ピッチの上の22人と、バックヤードのアルゴリズムが高度に融合するフットボールの新しい時代は、すでに始まっているのである。


【参考リンク】


  • FIFA：Semi Automated Offside Technology

    スタジアムのカメラとボール内センサーで選手やボールの位置を追跡し、AIでオフサイドを自動検知するFIFAの半自動オフサイド技術の解説。

  • StatsBomb Open Data：StatsBomb GitHub Repository

    無料で公開されている高精度なイベントデータリポジトリ。xGモデルの学習やサッカー分析の検証に利用できる。

  • mplsoccer (Python Library)：mplsoccer Documentation

    サッカーのピッチ描画、イベントデータの可視化、ショットチャートやxGマップの描画に特化したPythonライブラリである。

  • Opta / Stats Perform：Stats Perform Official Website

    世界中の主要リーグで公式採用されているイベント・トラッキングデータプロバイダーであり、AI技術を活用したデータインサイトを提供している。

  • Opta Analyst：The Analyst

    Optaのデータを基にxGやxTなどの最新統計を用いて実際のプロ試合を分析しているメディアであり、特徴量設計の参考になる。


We Are Hiring!

クーガーは自律的で大胆なチャレンジを支援し、それぞれの個性を生かした技術と創造性の追求ができる場を目指しています。

ぜひ採用ページからエントリーください。カジュアル面談も実施しています！


最新情報をメールで取得

登録

© Couger Inc. All rights reserved.