ShuttleSet22

该数据集名为ShuttleSet22，包含了30,172个训练集中的笔画，分布在2,888次回合中；1,400个笔画在450次回合中的验证集；以及2,040个笔画在654次回合中的测试集中，每个回合内的笔画都附有详细的元数据。该数据集旨在推动羽毛球分析研究，并为预测击球方法提供一个基准。具体规模为：训练集含30,172个笔画，验证集含1,400个笔画，测试集含2,040个笔画。研究任务是基于每个回合所给的笔画来预测未来的击球。

The dataset, named ShuttleSet22, contains 30,172 strokes from 2,888 rallies in its training set; 1,400 strokes from 450 rallies in its validation set; and 2,040 strokes from 654 rallies in its test set. Each rally's accompanying strokes are equipped with detailed metadata. This dataset aims to advance badminton analytics research and serve as a benchmark for shot prediction. The specific scale is as follows: the training set has 30,172 strokes, the validation set has 1,400 strokes, and the test set has 2,040 strokes. The research task of this dataset is to predict future shots based on the strokes provided for each rally.

搜集汇总

数据集介绍

构建方式

在羽毛球运动分析领域，数据集的构建需兼顾全面性与时效性。ShuttleSet22的构建过程体现了这一原则，其数据源自2022年高等级单打比赛的公开视频资源。通过领域专家运用精细的击球标注工具，对每一回合中的击球动作进行逐帧标注，生成了包含击球类型、落点坐标及球员身份等元数据的结构化记录。该数据集最终划分为训练集、验证集与测试集，分别涵盖30,172次击球（2,888回合）、1,400次击球（450回合）及2,040次击球（654回合），确保了数据在模型训练与评估中的有效分割。

特点

ShuttleSet22的显著特征在于其击球层级的细粒度标注与广泛的球员覆盖。相较于以往仅聚焦特定对阵的数据集，本数据集收录了35名球员参与的58场比赛，囊括多样化的战术风格与对抗组合，为全面研究球员行为与比赛动态提供了基础。数据集中详细记录了每回合内击球的类型、空间位置及执行球员，并依据比赛逻辑区分发球方与接发球方，这些结构化信息使得深入分析击球序列的时空演变成为可能。此外，数据集涵盖2022年最新赛事，能够反映当代羽毛球战术的最新趋势。

使用方法

该数据集的核心应用在于支持击球序列预测任务，即根据已观察到的若干击球，预测后续击球的类型与落点。研究者可利用提供的基线模型ShuttleNet——一种融合回合进程与球员风格的Transformer架构——作为起点，进行模型改进或算法创新。评估时采用交叉熵损失函数衡量击球类型预测的准确性，并以平均绝对误差评估落点坐标预测的精度。为促进研究，数据集已整合至CoachAI挑战赛平台，参与者可便捷地接入数据处理管道，专注于预测模型的迭代与优化。

背景与挑战

背景概述

随着人工智能技术的飞速发展与数据采集效率的显著提升，羽毛球运动分析领域近年来备受学术界关注。在此背景下，国立阳明交通大学的研究团队于2022年推出了ShuttleSet22数据集，旨在为羽毛球单打比赛提供详尽的击球级别元数据。该数据集收录了2022年高水平赛事中的58场比赛，涵盖3992个回合与33612次击球记录，其核心研究问题聚焦于击球序列的预测与战术模式挖掘。作为当前最新的羽毛球单打数据集，ShuttleSet22不仅扩展了早期ShuttleSet的数据规模，更通过IJCAI 2023 CoachAI挑战赛的Track 2赛道，推动了击球预测任务的前沿探索，为跨领域研究者提供了标准化评估基准，显著促进了体育数据分析与机器学习社区的交叉融合。

当前挑战

ShuttleSet22数据集致力于解决羽毛球击球序列预测这一复杂问题，其核心挑战在于建模动态回合中击球类型与落点的时空依赖性。由于羽毛球运动具备高速变向、多拍相持及战术突变等特性，准确预测未来击球需克服序列长期依赖建模、球员风格融合以及实时战术适应性等难题。在数据构建层面，研究团队面临精细标注的艰巨性：依赖领域专家对公开赛事视频进行逐帧击球标注，涉及击球技术分类、落点坐标提取及回合边界划分等多维度信息整合。此外，数据采集受限于高质量公开视频的可用性，且需确保不同球员、多样对阵组合的覆盖面，以规避早期数据集仅针对特定球员配对的局限性，从而提升模型的泛化能力与战术分析广度。

常用场景

经典使用场景

在体育数据分析领域，羽毛球战术研究长期受限于精细数据的匮乏。ShuttleSet22数据集通过提供2022年高水平单打比赛的击球级记录，为研究者构建了预测羽毛球回合中未来击球的经典场景。该场景要求模型基于历史击球序列，精准预测后续击球的类型与落点坐标，从而深入探索比赛中的动态战术模式与球员决策逻辑。

衍生相关工作

围绕ShuttleSet22衍生的经典工作聚焦于序列预测与融合架构的创新。官方基线模型ShuttleNet率先引入基于Transformer的回合进展与球员风格融合框架，为击球预测设立了性能标杆。后续研究如动态图神经网络被应用于球员移动预测，进一步扩展了数据集在时空分析中的用途。IJCAI 2023竞赛中多支队伍对ShuttleNet的改进，亦催生了在超参数优化、激活函数设计等方面的系列探索，持续推动羽毛球分析领域的技术演进。

数据集最近研究

最新研究方向

在体育分析领域，羽毛球战术研究正借助人工智能技术迈向精细化与预测性分析的新阶段。ShuttleSet22作为当前最新的羽毛球单打数据集，其前沿研究方向聚焦于基于回合的击球序列预测，即通过历史击球数据（包括击球类型与落点坐标）来精准预测未来多步击球行为。这一方向在IJCAI 2023的CoachAI挑战赛中成为热点，吸引了众多团队基于官方基线模型ShuttleNet进行优化，主要改进集中于击球类型预测的交叉熵损失降低，而落点坐标预测的精度提升则相对有限，揭示了多任务学习模型在整合不同类型预测信号时所面临的挑战。该研究不仅推动了羽毛球战术的量化分析，也为序列预测、时空数据建模等人工智能方法在体育领域的应用提供了新的实验平台与评估基准。

相关研究论文

• Benchmarking Stroke Forecasting with Stroke-Level Badminton Dataset

  国立阳明交通大学计算机科学系 · 2024年