Graph Neural Networks for Simulating Lineup Changes and Team Performance in Football

Abstract

This thesis develops a graph-based framework for modeling short-term football team performance and evaluating incoming player scenarios. Matches are divided into 15-minute windows, with players represented as nodes and passing interactions as directed edges. The framework combines a Graph Neural Network for predicting team-level expected goals (xGoals) and expected threat (xThreat), an edge attribute predictor for estimating player-to-player interaction attributes, and a topology preserving lineup-change simulation. On temporally held-out test seasons, the Graph Neural Network reduces mean absolute error relative to a predict-mean baseline by 39.43% for xGoals and 40.81% for xThreat. Compared with a nonlinear non-graph baseline, the corresponding reductions are 17.53% and 18.03%, indicating that player identities and directed interactions provide additional predictive information. The edge attribute predictor explains approximately 67% of the variation in pass verticality and progressive pass distance, while pass count remains the least accurately inferred attribute. The combined framework is evaluated on 8,410 observed substitution cases per target. Binary direction accuracy reaches 61.5% for xGoals and 65.2% for xThreat but remains below the corresponding naive baselines. In the three-class setting, which distinguishes negative, neutral, and positive changes, accuracy reaches 49.4% and 47.7%, exceeding the respective majority-class baselines. Exact numerical changes remain subject to substantial case-level uncertainty. The results show that player-interaction graphs contain useful information for modeling team performance and provide a moderate three-class directional signal for player replacements. However, because the simulation preserves the pre-substitution interaction topology, it should be interpreted as evaluating an incoming player within an inherited structural role rather than as a causal model of substitution effects or tactical reorganization.

Diese Arbeit entwickelt ein graphbasiertes Framework zur Modellierung der kurzfristigen Teamleistung im Fußball und zur Bewertung von Szenarien mit eingewechselten Spielern.Spiele werden in 15-Minuten-Fenster unterteilt, wobei Spieler als Knoten und Passinter-aktionen als gerichtete Kanten dargestellt werden. Das Framework kombiniert ein GraphNeural Network zur Vorhersage von Expected Goals (xGoals) und Expected Threat(xThreat) auf Teamebene, einen Edge-Attribute-Predictor zur Schätzung von Interaktionsmerkmalen zwischen Spielern sowie eine Simulation von Aufstellungsänderungen, bei der die bestehende Graph-Topologie erhalten bleibt.Auf zeitlich zurückgehaltenen Testsaisons reduziert das Graph Neural Network den Mean Absolute Error gegenüber einer Mittelwert-Baseline um 39.43% für xGoals und 40.81%für xThreat. Im Vergleich zu einer nichtlinearen, nicht-graphbasierten Baseline liegen die entsprechenden Reduktionen bei 17.53% und 18.03%. Dies deutet darauf hin, dass Spieleridentitäten und gerichtete Interaktionen zusätzliche prädiktive Informationen liefern. Der Edge-Attribute-Predictor erklärt ungefähr 67% der Variation in Passvertikalitätund progressiver Passdistanz, während die Passanzahl weiterhin das am wenigsten genau vorhergesagte Merkmal ist.Das kombinierte Framework wird anhand von 8,410 beobachteten Auswechslungsfällen pro Zielvariable evaluiert. Die binäre Richtungsgenauigkeit erreicht 61.5% für xGoals und65.2% für xThreat, bleibt jedoch unter den jeweiligen naiven Baselines. Im Drei-Klassen-Setting, das zwischen negativen, neutralen und positiven Veränderungen unterscheidet,erreicht die Genauigkeit 49.4% beziehungsweise 47.7% und übertrifft damit die jeweiligen Majority-Class-Baselines. Exakte numerische Veränderungen bleiben jedoch mit erheblicher Unsicherheit auf Einzelfallebene verbunden.Die Ergebnisse zeigen, dass Spielerinteraktionsgraphen nützliche Informationen zur Modellierung der Teamleistung enthalten und ein moderates Drei-Klassen-Signal für die Richtung von Leistungsänderungen bei Spielerwechseln liefern. Da die Simulation jedochdie Interaktionstopologie vor der Auswechslung beibehält, sollte sie als Bewertung eines eingewechselten Spielers innerhalb einer übernommenen strukturellen Rolle verstanden werden und nicht als kausales Modell für die Effekte von Auswechslungen oder taktischen Umstrukturierungen.