팀명
스노우볼
팀원 명단
김성윤 이태홍
지도교수
양희철 교수님
작품 배경 및 목적
최근 여러 스포츠 종목에서 데이터를 활용한 승패 예측 또는 선수 분석을 위해 다양한 머신러닝 기법을 사용하고 있다. 특히, E-sports 경기 특성상 다양한 지표에 대한 데이터 수집이 용이하여 머신러닝을 통한 승패 예측 연구가 활발히 진행되고 있다. 그 중, 선행연 구에서는 다수 유저가 참여하는 MOBA (Multi Online Battle Arena) 게임 장르에서 유효 킬, 시야 점수, 타워 철거 수, 15분 골드 양 등의 수치 지표를 활용한 승패 예측 연구를 수 행하였다. 또한, MOBA 게임 장르에서는 캐릭터의 위치 정보가 승패를 예측하는 중요한 변수로 작용할 수 있다. MOBA 게임 중 하나인 DOTA2에서 게임 내에서의 캐릭터 위치 정
보가 승패 예측에 활용될 수 있음이 밝혀졌다 [3]. 더 나아가, 게임 후반의 팀 전체 위치로 구성된 다각형 면적과 선분 길이의 합으로 위치 기반 지표를 정의하여 이에 따른 승패 예 측을 수행할 수 있음을 보였다. 본 연구에서는 리그오브레전드(League of Legends; LoL) 에서 시계열 위치 정보를 활용한 위치 기반 지표를 정의하고 이에 따른 승패 예측 모델을 제안한다. 기존 연구에서는 경기 후반의 위치 기반 지표를 활용하거나 팀 전체 위치 정보 에 따른 승패 예측을 수행하여, 게임 초반의 승패 예측이 어렵고 개인에 대한 평가가 어려 운 한계를 가지고 있다. 이에 본 논문에서는 개별 캐릭터의 경기 초반의 시계열 위치 정보 를 활용하여 RNN (Recurrent Neural Networks)과 랜덤포레스트(Random Forest; RF) 기반 승패 예측 모델을 제안한다. 이를 통해 경기 초반인 5~9분대의 시계열 위치 정보를 활용해 최대 74.19%의 예측 정확도를 달성하였다.
작품 내용
본 논문에서는 MOBA (Multi Online Battle Arena) 게임 장르에서 게임 내 캐릭터의 시계 열 위치 데이터를 활용한 게임 승패 예측 모델을 제안한다. 시계열 위치 데이터에 기반한 위치 기반 지표를 정의하고 이를 입력으로 가지는 RNN (Recurrent Neural Networks) 또 는 RF (Random Forest) 기반의 승패 예측 모델을 설계하고 승패 예측 성능을 랭크별로 비교한다. 총 4,023 게임에서 캐릭터의 게임 맵에서의 동선 정보를 수집하였으며 정의한 위치 기반 지표를 입력변수로 설정하여 실험한 결과 제안한 모델의 승패 예측 정확도는 평균 70.5%를 보였다. 특히, 기존 연구에서는 하위 랭크에 대해 승패 예측 정확도가 저하 되는 문제가 있었지만, 제안한 모델에서는 하위 랭크에서 더 높은 74.19%의 정확도를 보 였다. 제안한 승패 예측 모델을 통해 게임 유저에게 위치 기반 정보가 승부에 어떠한 영향 을 주는지에 대한 정보를 제공할 수 있을 것으로 기대한다.
コメント