luxury-lakehouse/obso-trained-grids

OBSO模型通过结合三个组件来评估无球得分机会：1. 可达性——基于观察到的接球模式，球传到给定区域被接球方控制的概率。2. 预期控球价值（EPV）——通过转换和射门频率的价值迭代估计，在给定区域控球导致进球的概率。3. 传球完成概率——基于观察到的传球结果估计，从一个区域到另一个区域的传球被完成的概率。这些网格是从事件数据中预先计算出来的，作为实时OBSO流水线的静态输入，与动态场地控制表面结合使用。The OBSO model evaluates off-ball scoring opportunities by combining three components: 1. Reachability — the probability that a ball played to a given zone can be controlled by the receiving team, based on observed reception patterns. 2. Expected Possession Value (EPV) — the probability that a possession in a given zone will result in a goal, estimated via value iteration over transition and shot frequencies. 3. Pass Completion Probability — the likelihood that a pass from one zone to another is completed, estimated from observed pass outcomes. These grids are pre-computed from event data and serve as static inputs to the real-time OBSO pipeline, which combines them with dynamic pitch control surfaces.

搜集汇总

数据集介绍

构建方式

在足球分析领域，离球得分机会评估依赖对空间控制与进攻价值的量化表征。该数据集的构建以公开事件数据为源，汇集约4900场StatsBomb与Wyscout比赛，统一转换为SPADL格式，并依据观测到的传球、射门与转换模式估计三类静态查找表：可达性网格源自接球结果，EPV网格经值迭代整合转移与射门频率，传球完成概率矩阵由传球结果统计得到。全局网格与分赛事变体由此生成，服务于实时OBSO评估。

特点

作为面向实时离球得分机会评估的预训练制品，该数据集呈现多分辨率、模块化与静态估计特征。可达性网格为100×64，EPV网格为50×32，完成矩阵采用25×16共400区域并以行归一化概率表达。全部映射至SPADL 105×68米坐标，原点位于进攻方半场左下角。数据仅源于开放数据，全局网格跨赛事池化，分赛事文件含competition_id，且不区分门将位置，这些属性使其适合作为稳定查找表嵌入分析流程。

使用方法

在OBSO实时评估的部署场景中，该数据集经由Hugging Face Hub分发。使用者可调用hf_hub_download获取Parquet文件，并以pandas读取后透视列索引为可达性、EPV及完成概率矩阵。典型流程是加载全局可达性100×64与EPV 50×32网格，或按competition_id选取分赛事变体，再与动态球场控制面组合，形成离线机会评分。跨分辨率组合时需插值，完成矩阵按origin_zone与target_zone查询概率。

背景与挑战

背景概述

足球分析正由结果导向的射门与进球计数，转向对无球空间、传球时机与机会创造的细粒度度量。obso-trained-grids 由 luxury-lakehouse 平台发布，服务于 Off-Ball Scoring Opportunity 的实时计算，其核心研究问题在于融合球可达性、期望控球价值与传球完成概率，以约4900场 StatsBomb 与 Wyscout 开放赛事为经验基础，经 SPADL 坐标转换生成预训练查找网格。该数据集承接 Singh（2018）、Spearman（2018）与 Fernandez 和 Bornn（2018）的 xT、EPV 与空间控制传统，并映射至 Lee 等（2026）的 PAUSA 研究，为开放足球数据向高阶战术分析迁移提供可复现的静态输入。

当前挑战

OBSO 评估所面对的原生难题，在于无球跑动、接球概率与传球风险难以从稀疏事件流中直接观测，门将行为、比分时间与球员疲劳等动态状态亦未被静态网格纳入。构建过程受开放数据许可与覆盖差异掣肘，StatsBomb 与 Wyscout 的事件定义和采样密度需统一为 SPADL 后方可估计；全局网格池化多赛事，可能抹平高位压迫与低位防守的联赛战术异质性。不同 artifacts 分辨率不一，组合时须插值，且未区分门将站位。商业数据更密集时，表面估计或发生偏移，削弱跨语境泛化。

常用场景

经典使用场景

在足球技战术分析与空间价值评估领域，OBSO Trained Grids 最经典的使用场景是作为实时 Off-Ball Scoring Opportunity 计算的静态查找表。研究者将 100×64 的可达性网格、50×32 的 EPV 网格以及 25×16 的传球完成矩阵接入 SPADL 坐标体系，结合动态控球面与球员位置，评估无球跑动、接球线路和传球选择。其从约 4,900 场 StatsBomb 与 Wyscout 开放赛事中聚合估计，使战术平台能在逐帧或逐事件尺度上输出可比较的机会价值，服务于空间创造、推进质量与射门前最后一传的量化分析。

衍生相关工作

围绕 OBSO 预训练网格，相关经典工作构成了从期望威胁到无球机会估值的谱系。Karun Singh 的 Expected Threat 奠定基于网格的 Markov 价值迭代范式，Spearman 的 Beyond Expected Goals 拓展了概率化射门与控球评价，Fernandez 与 Bornn 的 Wide Open Spaces 推进空间创造度量。Lee 等的 PAUSA 研究进一步将无球得分机会与传球时机、质量关联，并衍生出 OBSO/PAUSA Values、Expected Threat Grids 与 SPADL/VAEP Action Values 等配套数据集，形成可复用的足球动作价值评估生态。

数据集最近研究

最新研究方向

伴随足球分析从事件计数迈向空间价值建模，obso-trained-grids所承载的可触及性、EPV与传球完成概率矩阵正成为无球得分机会评估的关键基础设施。近期研究聚焦将预训练网格与动态球场控制面耦合，在实时管线中融合La Pausa传球时机度量，并借助约4900场公开赛事数据检验跨联赛泛化与赛事特异性校准。MIT Sloan 2026的PAUSA工作及xT、VAEP等动作价值框架的互操作，推动开放数据下可复现的战术决策与空间创造量化。其意义在于为无球跑动、传球选择与进攻组织提供统一、透明的基准，促进体育分析从静态描述走向实时情境化评估。