Positional tracking data is widely used in football for performance analysis. Many teams use GNSS integrated wearable devices to track physical metrics. However, utilizing GNSS data for tactical analysis is not common practice today. This thesis project aims to examine if GNSS data can be used in recognizing game phases in football. To achieve this, a system for filtering predefined sequences of the game was developed. We achieved nearly 80% accuracy in finding events, and 53% accuracy for filters. After in-depth analysis, it was shown that with small adjustments in filters, accuracy for over 80% can be achieved. Potential for finding sequences for over 90% accuracy after further research, is believed to be possible. A system with high accuracy could be used to automatically generate specified video feedback, game statistics, and validate manually collected event data. This kind of system would significantly save time and resources for teams and sports analysts.

Positionsspårningsdata används i stor utsträckning inom fotboll för prestationsanalys. Många lag använder GNSS-integrerade bärbara enheter för att spåra fysiska mätvärden. Att använda GNSS-data för taktisk analys är dock inte standard idag. Detta examensarbete syftar tillatt undersöka om GNSS-data kan användas för att känna igen spelfaser i fotboll. För att uppnå detta utvecklades ett system för att filtrera fördefinierade sekvenser av spelet. Vi uppnådde nästan 80% noggrannhet i att hitta händelser och 53% noggrannhet för filter. Efter en djupgående analys visade det sig att med små justeringar i filter kan noggrannhet för över 80% uppnås. Potential för att hitta sekvenser med över 90% noggrannhet efter ytterligare forskning tros vara möjlig. Ett system med hög noggrannhet skulle kunna användas för att automatiskt generera specificerad videofeedback, spelstatistik och validera manuellt insamlade händelsedata. Denna typ av system skulle avsevärt spara tid och resurser för lag och sportanalytiker.