php项目如何分析球员跑动热点图？

wen PHP项目 2026-10-18 2

PHP项目分析球员跑动热点图方案

整体架构思路

PHP 本身不擅长图像/AI 计算,但可以作为业务编排层,配合 Python 微服务或 PHP 扩展完成热点图分析,常见架构:

php项目如何分析球员跑动热点图？

[前端/APP] → [PHP API 层] → [Python 分析服务] → [结果存储]
                    ↓
              [MySQL/Redis/MongoDB]
                    ↓
              [热力图渲染(前端)]

数据来源

分析热点图需要以下数据:

数据类型	来源	说明
GPS/北斗数据	可穿戴设备(STATSports、Catapult)	10-25Hz 经纬度/局部坐标
视频追踪	光学追踪系统(Hawk-Eye、SkillCorner)	帧级坐标
比赛事件流	Opta、StatsBomb、Wyscout	触球点坐标
手工标注	教练组	低成本方案

核心字段至少包含:player_id, match_id, timestamp, x, y(标准球场坐标 0-100 或 0-105m × 0-68m)

PHP 层实现

数据接入与清洗

class TrackingDataService
{
    public function importCsv(string $path, int $matchId): int
    {
        $fp = fopen($path, 'r');
        fgetcsv($fp); // 跳过表头
        $rows = [];
        $stmt = $this->pdo->prepare(
            "INSERT INTO player_positions 
             (match_id, player_id, ts, x, y, speed) 
             VALUES (?,?,?,?,?,?)"
        );
        $this->pdo->beginTransaction();
        while (($r = fgetcsv($fp)) !== false) {
            // 坐标标准化到 0-100 米制
            $x = (float)$r[3];
            $y = (float)$r[4];
            if ($x < 0 || $x > 105 || $y < 0 || $y > 68) continue;
            $stmt->execute([$matchId, $r[1], $r[2], $x, $y, $r[5] ?? 0]);
        }
        $this->pdo->commit();
        return $this->pdo->lastInsertId();
    }
}

坐标标准化

标准球场 105m × 68m,网格化后通常划分为 12 × 8 或 16 × 12 的单元格:

function toGrid(float $x, float $y, int $cols = 12, int $rows = 8): array
{
    $gx = min($cols - 1, (int)floor($x / 105 * $cols));
    $gy = min($rows - 1, (int)floor($y / 68 * $rows));
    return [$gx, $gy];
}

数据聚合(粗粒度热点)

在 PHP 中先做粗聚合,减少调用分析服务的负担:

public function aggregateGrid(int $matchId, int $playerId): array
{
    $sql = "SELECT 
              FLOOR(x/105*12) AS gx,
              FLOOR(y/68*8)  AS gy,
              COUNT(*) AS weight,
              AVG(speed) AS avg_speed
            FROM player_positions
            WHERE match_id=? AND player_id=?
            GROUP BY gx, gy";
    // 返回 12×8 的权重矩阵
}

热点图核心算法(PHP 侧调用 Python)

方案 A:KDE 高斯核密度估计(推荐)

PHP 不擅长矩阵计算,建议封装 Python 微服务:

class HeatmapClient
{
    public function generate(array $positions, array $opts = []): array
    {
        return $this->http->postJson(
            'http://analysis-service:8000/kde',
            [
                'points' => $positions,     // [[x,y,weight], ...]
                'grid_width' => 105,
                'grid_height' => 68,
                'bandwidth' => $opts['bw'] ?? 3.0,
                'cols' => 32,
                'rows' => 20,
            ]
        );
    }
}

Python 端(SciPy gaussian_kde):

from scipy.stats import gaussian_kde
import numpy as np
def heatmap(points, cols, rows, bw):
    xy = np.array([[p[0], p[1]] for p in points]).T
    w  = np.array([p[2] for p in points])
    kde = gaussian_kde(xy, weights=w, bw_method=bw / 10)
    X, Y = np.meshgrid(
        np.linspace(0, 105, cols),
        np.linspace(0, 68, rows)
    )
    Z = kde(np.vstack([X.ravel(), Y.ravel()])).reshape(X.shape)
    return Z.tolist()

方案 B:纯 PHP 简化版(小数据量可用)

如果只需简单热点(比如按 12×8 网格计数 + 邻域平滑):

function smoothGrid(array $grid, int $k = 1): array
{
    $h = count($grid); $w = count($grid[0]);
    $out = array_fill(0, $h, array_fill(0, $w, 0));
    for ($i = 0; $i < $h; $i++) {
        for ($j = 0; $j < $w; $j++) {
            $sum = 0; $cnt = 0;
            for ($di = -$k; $di <= $k; $di++) {
                for ($dj = -$k; $dj <= $k; $dj++) {
                    $ni = $i + $di; $nj = $j + $dj;
                    if ($ni >= 0 && $ni < $h && $nj >= 0 && $nj < $w) {
                        $sum += $grid[$ni][$nj];
                        $cnt++;
                    }
                }
            }
            $out[$i][$j] = $sum / $cnt;
        }
    }
    return $out;
}

结果存储与缓存

CREATE TABLE heatmaps (
    id BIGINT AUTO_INCREMENT PRIMARY KEY,
    match_id INT,
    player_id INT,
    phase ENUM('full','first_half','second_half','attack','defense'),
    grid_cols INT,
    grid_rows INT,
    data LONGTEXT,        -- JSON 矩阵
    max_value FLOAT,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    UNIQUE KEY uk (match_id, player_id, phase)
);

每次计算后写入 heatmaps
用 Redis 缓存 JSON(热点图纯读场景)
前端用 heatmap.js / Leaflet.heat / ECharts 渲染

进阶分析维度

维度	分法	实现要点
进攻/防守	按球权切分事件流	在 PHP 里 filter 事件
上下半场	`ts` 时间段	SQL 分区
攻守方向	归一化到统一进攻方向	单侧处理
阵型热区	按 4×3 或 5×5 分区聚合	分区统计
与跑动距离	结合 `speed > 5.5m/s` 过滤	冲刺热图
相对热区	对比该球员平均位置	偏差矩阵

示例:进攻/防守分相

public function phasePoints(int $matchId, int $playerId, string $phase): array
{
    // 通过 events 表判断球权归属,JOIN 出对应时段的坐标点
    $sql = "SELECT pp.x, pp.y 
            FROM player_positions pp
            JOIN events e ON e.match_id=pp.match_id 
                         AND e.ts BETWEEN pp.ts-1000 AND pp.ts
            WHERE pp.match_id=? AND pp.player_id=?
              AND ".($phase==='attack' ? 'e.team' : 'e.opponent')." = pp.team
            LIMIT 20000";
    // ...
}