Diepe leertechnieken voor dynamische tactische formatieherkenning in professioneel voetbal

Het spel lezen met AI

Wanneer fans naar een voetbalwedstrijd kijken, praten ze vaak over formaties zoals 4-4-2 of 4-3-3. Op het veld buigen, rekken en vervormen die vormen echter voortdurend terwijl spelers sprinten, pressen en terugzakken. Dit artikel laat zien hoe moderne kunstmatige intelligentie die voortdurend wisselende patronen in realtime kan volgen en ruwe bewegingsgegevens kan omzetten in een gedetailleerd beeld van hoe teams daadwerkelijk spelen, seconde voor seconde.

Waarom formaties meer zijn dan cijfers

De formatie van een team is meer dan een rij cijfers op een tactiekbord. Het is het ontwerp dat bepaalt waar spelers staan, hoe ze samen bewegen en hoe ze schakelen tussen aanvallen en verdedigen. Traditionele analyses leunden op trainers die video bekeken en aantekeningen maakten — een traag, subjectief proces dat moeite heeft subtiele verschuivingen vast te leggen. Zelfs eerdere computermethodes bevroren meestal de actie in statische momentopnames, labelden elke opname met één formatie en negeerden de continue stroom van het spel. Daardoor misten ze belangrijke kenmerken van modern voetbal: spelers die rollen wisselen in beweging, lijnen die synchroon verschuiven en strategieën die zich over verschillende tijdschalen ontvouwen, van een snelle press tot een langdurige tactische aanpassing.

Van ruwe beweging naar tactisch inzicht

De auteurs stellen een nieuw AI-model voor, de Hierarchical Dual-Stream Spatiotemporal Graph Transformer (HDS-SGT), specifiek ontworpen om deze complexe bewegingen te volgen. Het neemt als invoer de trackinggegevens die inmiddels gangbaar zijn in topvoetbal: de tweedimensionale posities van alle veldspelers, tien keer per seconde bemonsterd, plus afgeleide informatie zoals snelheid, versnelling en afstanden tussen teamgenoten. Voordat er geleerd wordt, reinigt en standaardiseert het systeem de data — het centreert de gegevens op het team, maakt ruwe metingen glad en voegt kenmerken toe die vastleggen hoe compact of verspreid de spelers zijn. Daardoor is het mogelijk dezelfde formatie te herkennen, of een team nu diep verdedigt of hoog drukzet op het veld.

Twee manieren om ruimte en tijd te bekijken

HDS-SGT analyseert de wedstrijd via twee aanvullende invalshoeken. De ene stroom behandelt het team als een netwerk: elke speler is een punt en er ontstaan verbindingen tussen spelers die dicht genoeg bij elkaar op het veld staan om elkaar te beïnvloeden. Dit op grafen gebaseerde perspectief helpt het model patronen te leren zoals compacte verdedigingslinies of driehoeken op het middenveld. Tegelijk richt een tweede stroom zich op hoe de algemene teamvorm zich ontwikkelt over langere tijdsperioden. Die stroom comprimeert de beweging van alle spelers tot signalen op teamniveau en gebruikt een attentie-mechanisme — oorspronkelijk ontwikkeld voor taalvertaling — om te ontdekken welke momenten in het verleden het belangrijkst zijn voor het begrijpen van het heden. Cruciaal is dat deze tweede stroom op meerdere tijdschalen tegelijk werkt, van snelle verschuivingen over enkele seconden tot langzamere reorganisaties over een volledige speelminuut.

Rollen volgen in plaats van rugnummers

Een bijzonder uitdagend aspect van modern voetbal is dat spelers vaak taken uitwisselen: een vleugelverdediger stormt naar voren als een vleugelspeler, een middenvelder zakt in de verdedigingslijn of een spits leidt de press in het middenveld. Vaste labels gekoppeld aan rugnummers kunnen deze vloeibaarheid niet bijhouden. Om dit aan te pakken bevat het model een Dynamic Role Assignment Module. In plaats van ervan uit te gaan dat een bepaalde speler altijd bijvoorbeeld linksback is, leert het flexibele "roltemplates" op basis van het gedrag van spelers. Op elk moment vergelijkt het de huidige beweging en positie van elke speler met deze templates en kent het een mix van rollen toe die soepel in de tijd kan veranderen. Een ingebouwde strafterm ontmoedigt onrealistisch plotselinge rolwisselingen, wat weerspiegelt dat echte tactische veranderingen meestal over meerdere seconden plaatsvinden in plaats van in één oogwenk.

Wat het model bereikte op echte wedstrijden

De onderzoekers testten hun systeem op trackinggegevens van 847 professionele wedstrijden in verschillende competities, goed voor meer dan 1.200 uur speeltijd. Ervaren coaches leverden gedetailleerde labels en gaven niet alleen aan welke formatie werd gebruikt, maar ook wanneer teams bezig waren van vorm te veranderen. Vergeleken met een breed scala aan bestaande methoden — van klassieke statistische modellen tot moderne deep-learningarchitecturen — bleek HDS-SGT aanzienlijk nauwkeuriger. Het identificeerde formaties correct in ongeveer 95% van de tijdframes en detecteerde tactische transities met een hoge F1-score, een gebalanceerde maat voor precisie en recall. Deze verbeteringen waren vooral sterk voor zeldzame of ongebruikelijke formaties en voor complexe momenten waarop veel spelers tegelijk van positie veranderen. Belangrijk is dat het model na training snel genoeg draait op een standaard grafische kaart om live mee te kunnen, waarbij het meer dan twintig frames trackingdata per seconde kan analyseren.

Van laboratoriumtool naar assistent aan de zijlijn

Voor de leek is de belangrijkste conclusie dat dit werk het vage idee van "vorm" omzet in iets dat een computer in realtime kan volgen. Door een netwerkinzicht in hoe spelers zich tot elkaar verhouden te combineren met een multiscale blik op hoe tactieken zich in de tijd ontvouwen en een flexibel begrip van spelersrollen, kan het systeem niet alleen vaststellen welke formatie een team gebruikt, maar ook wanneer die formatie begint te veranderen. Hoewel de studie zich richt op elite-trackingdata en specifieke hardware, wijst de aanpak naar toekomstige hulpmiddelen die coaches, analisten en zelfs omroepen kunnen ondersteunen — en live, objectief inzicht kunnen bieden in het verborgen tactische verhaal dat onder het oppervlak van elke wedstrijd speelt.

Bronvermelding: Wang, Y., ShangGuan, Q., Chen, G. et al. Deep learning for dynamic tactical formation recognition in professional football. Sci Rep 16, 13846 (2026). https://doi.org/10.1038/s41598-026-41383-9

Trefwoorden: voetbaltactieken, formatieanalyse, sportanalyse, deep learning, spelersvolgdata