FUXI/DunkCityDynasty_Dataset

该数据集包含多个压缩包，每个压缩包中存储了不同球员的轨迹数据文件夹。文件索引采用多层键值结构，第一层键代表球员名称，第二层键代表比赛会话名称，第三层键代表球员的段位和具体回合，第四层键包含该回合的得分、助攻、篮板和抢断等信息。该数据集包含多个压缩包，每个压缩包中存储了不同球员的轨迹数据文件夹。文件索引采用多层键值结构，第一层键代表球员名称，第二层键代表比赛会话名称，第三层键代表球员的段位和具体回合，第四层键包含该回合的得分、助攻、篮板和抢断等信息。

原始信息汇总

数据集结构概述

文件格式说明

• 每个压缩包内的文件格式如下：
  • 101010001: James轨迹数据文件夹
  • 101010002: Curry轨迹数据文件夹
  • 101010003: Jokic轨迹数据文件夹
  • 101010009: Zion轨迹数据文件夹
  • 101010082: Thompson轨迹数据文件夹
  • file_index: 文件索引

文件索引解释

• 第一级键代表对应的人物名称，如101010001代表James。
• 第二级键代表对应的游戏会话名称，如c084278fcb164f6db75fe2ebd6f6726e。
• 第三级键中的summit_level代表与轨迹对应的玩家段位，数字代表游戏会话中的具体轮次。
• 第四级键代表该轮次中的得分、助攻、篮板、抢断等信息。

示例数据

json "101010001": { "c084278fcb164f6db75fe2ebd6f6726e": { "summit_level": 10, "0": { "assist_count": 0, "block_count": 0, "blocked_count": 0, "rebound_count": 0, "score": 0, "steal_count": 1, "stolen_count": 0, "three_point_count": 0, "two_point_count": 0 }, "10": { "assist_count": 0, "block_count": 0, "blocked_count": 0, "rebound_count": 1, "score": 0, "steal_count": 0, "stolen_count": 0, "three_point_count": 0, "two_point_count": 0 } } }

搜集汇总

数据集介绍

构建方式

该数据集以篮球竞技游戏《Dunk City Dynasty》为背景，聚焦于游戏内虚拟角色的运动轨迹与行为数据。构建过程首先对游戏中的角色进行编号标识，例如101010001代表詹姆斯（James），101010002代表库里（Curry），以此类推。每个角色的数据按游戏对局会话（session）进行组织，每个会话下进一步细分为不同段位等级（summit_level）和具体回合编号。数据文件采用JSONL格式，文件名由角色编号、会话标识、段位等级和回合编号等字段拼接而成，确保了每一条轨迹数据的唯一可追溯性。此外，数据集提供了文件索引（file_index），以嵌套字典结构清晰映射角色、会话、段位与回合的层级关系，从而便于研究者快速定位和提取特定条件下的数据子集。

特点

该数据集的显著特点在于其精细的多层级组织结构与丰富的回合级统计信息。从宏观的角色维度到微观的每一回合，数据均被完整记录，使得研究者能够同时从个体表现和比赛进程两个层面展开分析。每个回合内囊括了得分（score）、助攻（assist_count）、篮板（rebound_count）、抢断（steal_count）等多项关键指标，为深入理解游戏内球员的决策模式与行为规律提供了坚实的数据基础。此外，段位等级（summit_level）的引入使得数据天然具备难度分层特性，支持针对不同竞技水平场景的对比研究。这种结构化、多维度的数据设计，使其在游戏AI行为建模、运动模式挖掘以及虚拟竞技分析等领域具有极高的应用价值。

使用方法

使用该数据集时，研究者首先应解压各压缩包，获取以角色编号命名的文件夹及其内部的JSONL文件。通过解析文件索引（file_index）的嵌套字典，可以高效地定位目标角色、特定对局会话、段位等级以及回合编号所对应的数据条目。例如，若要分析詹姆斯在最高段位下的首个回合表现，可依据索引快速找到对应文件并加载其内容。数据加载后，可利用Python等编程语言对JSONL文件进行逐行解析，提取得分、助攻等字段进行统计分析或构建机器学习模型。建议研究者结合游戏背景知识，将回合级指标转化为序列特征，用于训练轨迹预测或行为识别算法。同时，注意不同角色之间的数据量差异，合理进行数据划分与平衡处理，以确保实验结果的可靠性。

背景与挑战

背景概述

在竞技体育与人工智能交叉融合的前沿领域，运动轨迹数据的精细化建模已成为理解运动员行为模式与战术策略的关键突破口。FUXI/DunkCityDynasty_Dataset数据集由国内研究团队于2023年创建，聚焦于篮球运动中明星球员的时空轨迹与比赛事件关联分析。该数据集以勒布朗·詹姆斯、斯蒂芬·库里、尼古拉·约基奇等五位顶级球员为对象，系统采集了多场次、多回合的微观运动数据，涵盖得分、助攻、篮板、抢断等核心统计指标。其核心研究问题在于如何通过高精度轨迹序列与回合级事件标注，揭示球员在动态对抗环境下的决策规律与团队协作机制。作为首个公开的篮球多球员轨迹与事件联合数据集，它为运动科学、计算机视觉及强化学习等领域提供了标准化基准，推动了从宏观战术到微观动作的量化分析范式革新。

当前挑战

该数据集面临的核心挑战在于多维度复杂性的平衡与泛化能力的提升。首先，在领域问题层面，如何从非结构化轨迹序列中精准识别球员的瞬时意图与战术意图，例如区分主动突破与被动接应，仍需突破时序建模与因果推理的技术瓶颈。其次，构建过程中遭遇数据异构性难题——不同球员的移动模式、回合长度与事件密度差异显著，导致标注一致性难以保证。此外，比赛视频与轨迹数据的时间同步误差、遮挡场景下位置补全的鲁棒性，以及跨赛事数据采集标准的不统一，均对数据质量构成严峻考验。最后，当前数据集仅覆盖五位球员，其统计分布可能偏向特定风格，如何在有限样本上实现向未知球员或联赛的迁移学习，是制约其实际应用效能的根本挑战。

常用场景

经典使用场景

在体育科学与计算机视觉交叉研究领域，DunkCityDynasty_Dataset 数据集为多智能体轨迹预测与行为建模提供了高质量的标注数据。该数据集以篮球比赛中的顶级球员（如詹姆斯、库里、约基奇等）为追踪对象，详细记录了每个球员在多个比赛回合中的二维空间轨迹，并关联了得分、助攻、篮板、抢断等关键竞技指标。研究者可借此构建基于时序的球员运动模型，分析攻防转换中的跑位模式，或训练深度学习模型以预测下一时刻的球员位置与战术意图。该数据集特别适用于篮球战术理解与动态场景推理任务，是体育视频理解领域不可或缺的基准资源。

实际应用

在实际应用层面，该数据集为智能体育分析系统提供了坚实的数据底座。职业篮球教练组可利用基于该数据集训练的模型，自动解析对手球队的跑位习惯与战术偏好，从而制定更具针对性的防守策略。赛事转播方则可借助球员轨迹预测技术，在直播中实时生成战术回放与跑位热图，增强观赛体验。此外，该数据集还可服务于体育教育领域，通过对比学员与顶级球员的跑位差异，辅助青少年篮球训练中的战术意识培养。其高粒度的回合级标注也使得自动化赛事报告生成成为可能，大幅降低人工分析成本。

衍生相关工作

基于 DunkCityDynasty_Dataset 衍生出的经典工作主要集中于三个方向：其一是基于图神经网络的群体运动预测模型，研究者将球员视为动态图中的节点，通过时空图卷积网络学习交互特征，显著提升了多智能体轨迹预测的准确性；其二是战术模式挖掘研究，利用序列模式挖掘与聚类算法从海量回合数据中提取常见战术片段，如高位挡拆、底线空切等，并建立了战术库与检索系统；其三是球员表现归因分析，通过反事实推理框架评估每个跑位决策对最终得分概率的因果贡献，开创了可解释体育分析的新路径。这些工作共同推动了体育人工智能从描述性统计向深度理解与生成式建模的演进。