Big-Data-Cup-2026 Dataset

github2026-01-06 更新2026-01-10 收录

下载链接：

https://github.com/bigdatacup/Big-Data-Cup-2026

下载链接

链接失效反馈

官方服务：

资源简介：

该数据集由Stathletes跟踪的冰球事件数据以及从广播视频生成的球员跟踪数据组成。包含的事件已从Stathletes的原始数据转换而来，以提高可访问性和可解释性。事件类型包括射门、传球、抢断、冰球恢复、冰球倾倒、区域进入、争球和处罚等。每个事件都提供了扩展的详细信息，并在必要时标明了相关的滑冰者和球队。

This dataset consists of hockey event data tracked by Stathletes and player tracking data generated from broadcast video footage. The incorporated events have been converted from Stathletes' raw datasets to improve accessibility and interpretability. Event types include shots, passes, puck steals, puck recoveries, puck dumps, zone entries, face-offs, and penalties, among others. Each event includes comprehensive detailed information, with relevant skaters and teams annotated as needed.

创建时间：

2026-01-06

原始信息汇总

Big Data Cup 2026 数据集概述

数据集来源与构成

数据来源：数据集由 Stathletes 追踪的冰球赛事数据以及由广播视频生成的球员追踪数据构成。
数据处理：包含的事件数据已从 Stathletes 的原始数据转换而来，以增强可访问性和可解释性。

数据集内容

数据集包含以下三种主要数据文件：

1. 事件数据

文件示例：2025-10-11.Team A.@.Team D Events.csv
核心字段：
- 日期、主队、客队、局次、比赛时钟。
- 场上各队球员数量、双方实时得分。
- 事件责任球队与球员ID、事件类型。
- 事件发生位置的X、Y坐标（坐标系基于摄像机视角，需参考 camera_orientations.csv）。
- 最多4个事件补充详情。
- 次要参与球员ID及其相关坐标。
包含事件类型：射门、传球、抢断、板球恢复、垫射入/出区、攻区进入、争球、处罚等。

2. 追踪数据

文件示例：2025-10-11 Team A @ Team D Tracking_P1.csv（按局次分割）
核心字段：
- 图像ID、局次、比赛时钟。
- 追踪对象（球员或冰球）、所属球队。
- 球员ID（或球衣号码）。
- 球员/冰球在冰场上的三维位置（X, Y, Z坐标，单位：英尺）。
- 进球标识。

3. 换人数据

文件示例：2025-10-11 Team A @ Team D Shifts.csv
核心字段：
- 日期、比赛ID、球队ID、球员ID。
- 换人次序号、发生的局次。
- 换人开始与结束的时钟时间、换人持续时间。

辅助文件

摄像机方向索引文件：camera_orientations.csv，用于解释事件数据中的坐标视角。

事件数据详细定义

以下是主要事件类型的详细说明：

射门

描述：未成功的射门尝试（被封挡、射偏或被扑救）。
涉及球员：射手。
坐标：释放位置。
详情：射门类型、射门结果（中目标、射偏或被封挡）、是否有干扰、是否为一杆射门。

进球

描述：成功的射门尝试。
涉及球员：射手。
坐标：冰球释放位置。
详情：射门类型、射门结果、是否有干扰、是否为一杆射门。

传球 / 未完成传球

描述：成功/未成功的传球尝试。
类型：直接传球或间接传球。
涉及球员：传球者、目标接球者。
坐标：传球释放位置、传球目标位置。
详情：传球类型。

抢断

描述：导致控球权改变的抢断、拦截传球或赢得对抗。
涉及球员：被记功抢断的滑行者。
坐标：获得控球权的位置。

板球恢复

描述：通过捡回由射门偏出/封挡/扑救、垫射、争球或比赛中断产生的 loose puck 而发起的控球权获得。
涉及球员：恢复板球的滑行者。
坐标：获得控球权的位置。

垫射入区/出区

描述：滑行者有意通过将球垫向前场而放弃控球权的行动。
涉及球员：垫射/推进板球的滑行者。
坐标：释放板球的位置。
详情：控球结果（保持、丢失）。

攻区进入

描述：尝试将球从中区移入进攻区。
涉及球员：进入滑行者、目标防守者。
坐标：垫射/推进的释放点，或传球和携带时球越过蓝线的点。
详情：进入类型（携带、垫射、传球）。

争球胜利

描述：争球。
涉及球员：赢得争球的滑行者、输掉争球的滑行者。
坐标：争球点的位置。

受到处罚

描述：犯规。
涉及球员：受到处罚的滑行者、导致处罚的滑行者。
坐标：犯规位置。
详情：犯规类型。

数据下载地址

数据集发布地址：https://github.com/bigdatacup/Big-Data-Cup-2026/releases/tag/Data

搜集汇总

数据集介绍

构建方式

在冰球运动数据分析领域，Big-Data-Cup-2026数据集通过整合多源数据构建而成。其核心数据来源于Stathletes追踪的冰球事件数据，并结合了从广播视频中生成的球员追踪数据。事件数据经过精心翻译与标准化处理，涵盖了射门、传球、抢断、争球、犯规等多种事件类型，每种事件均附有详细的坐标位置与参与者信息。追踪数据则通过图像识别技术捕捉球员与冰球的实时位置与运动轨迹，提供了高精度的时空信息。数据以结构化文件形式组织，包括按日期和球队分类的事件文件、球员换班文件以及分时段的追踪文件，确保了数据的系统性与可访问性。

特点

该数据集在冰球运动分析中展现出多维度的特征优势。其事件数据不仅记录了基本动作类型，还通过扩展细节字段深入描述了射门方式、传球路线、犯规类别等战术要素，并精确标注了冰场坐标与参与者身份。追踪数据进一步实现了对球员与冰球运动轨迹的毫米级捕捉，包含三维空间位置与时间序列信息，能够支持对滑行能力、团队阵型等动态指标的量化研究。数据集覆盖了团队协作、滑行技巧与球员移动三大研究方向，为探索冰球战术策略与个体表现提供了全面而细致的实证基础。

使用方法

研究人员可通过GitHub发布页面下载该数据集的压缩文件，其中包含事件、追踪与换班三类核心数据文件。使用前需结合相机方位索引文件校正坐标视角，以确保空间数据的一致性。在分析过程中，可依据事件类型定义与字段说明，提取特定动作序列或球员行为模式；追踪数据可用于重建比赛动态场景，计算速度、加速度及团队间距等指标。数据集适用于机器学习模型训练、战术模拟可视化或绩效评估模型开发，支持对冰球比赛中的团队协调、个体运动效率等复杂问题进行实证探究。

背景与挑战

背景概述

Big-Data-Cup-2026 Dataset 是由 Stathletes 与相关研究机构于2025年联合构建的冰球运动分析数据集，旨在通过整合事件数据与球员追踪数据，深化对冰球比赛动态的理解。该数据集聚焦于团队协作、滑行能力与球员移动三大核心研究领域，致力于揭示战术执行效率、运动员表现评估及空间动态交互的复杂机制。其多模态数据融合的设计，为运动科学、战术优化及机器学习在体育分析中的应用提供了重要基础，推动了冰球数据分析从传统统计向高维时空建模的范式转变。

当前挑战

该数据集旨在解决冰球运动分析中团队战术量化、个体能力评估及动态预测等复杂问题，面临多维度挑战：在领域层面，如何从高噪声的追踪数据中精确提取战术模式、定义滑行效率的稳健指标，以及建模球员间实时交互的影响机制，均为尚未完全攻克的研究难点。在构建过程中，挑战包括原始广播视频数据与事件记录的时空对齐、不同数据源（如事件与追踪数据）的融合一致性维护，以及坐标系统因摄像机视角差异带来的标准化处理，这些技术障碍对数据质量与后续分析的可靠性构成了显著影响。

常用场景

经典使用场景

在冰球运动分析领域，Big-Data-Cup-2026数据集以其详尽的追踪数据与事件记录，为研究者提供了深入探索团队协作机制的宝贵资源。该数据集最经典的使用场景在于量化分析球队的战术执行效率，例如通过追踪数据解析区域突破、前场紧逼或转换进攻等团队协调行为，从而揭示冰球比赛中复杂的空间动态与策略互动。

衍生相关工作

基于该数据集衍生的经典研究工作，主要集中在机器学习模型在体育分析中的创新应用。例如，研究者利用追踪数据训练深度神经网络，以预测比赛结果或球员受伤风险；亦有工作结合事件日志与时空坐标，开发出新型的团队协同度量指标，这些成果不仅丰富了体育数据科学的方法论，也为后续的智能教练系统与实时决策支持工具奠定了数据基础。

数据集最近研究