Search

KR-20260061500-A - Methods and Devices for Predicting Sports Game Outcomes

KR20260061500AKR 20260061500 AKR20260061500 AKR 20260061500AKR-20260061500-A

Abstract

본 발명은 스포츠 게임 승부 예측 방법 및 장치가 개시된다. 일 실시예에 따른 스포츠 게임 승부 예측 방법은 클라이언트(미도시)로부터 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합에 기초하여, 상기 선택 조합 정보를 수신하는 단계; 상기 선택 조합 정보에 대하여 데이터 전처리를 수행하는 단계; 상기 데이터 전처리가 수행된 선택 조합 정보를 게임 승부 예측 모델의 임베딩 모델(embedding model)에 입력하여 상기 각 팀별 게임 캐릭터의 선택 조합에 대한 특징 값을 획득하는 단계; 및 상기 특징 값을 상기 게임 승부 예측 모델의 인공 신경망(Artificial Neural Network: ANN)에 입력하여, 게임 승부에 대한 예측 정보를 획득하는 단계를 포함할 수 있다.

Inventors

  • 류항용

Assignees

  • 류항용

Dates

Publication Date
20260506
Application Date
20241027

Claims (10)

  1. 스포츠 게임 승부 예측 방법에 있어서, 클라이언트(미도시)로부터 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합에 기초하여, 상기 선택 조합 정보를 수신하는 단계; 상기 선택 조합 정보에 대하여 데이터 전처리를 수행하는 단계; 상기 데이터 전처리가 수행된 선택 조합 정보를 게임 승부 예측 모델의 임베딩 모델(embedding model)에 입력하여 상기 각 팀별 게임 캐릭터의 선택 조합에 대한 특징 값을 획득하는 단계; 및 상기 특징 값을 상기 게임 승부 예측 모델의 인공 신경망(Artificial Neural Network: ANN)에 입력하여, 게임 승부에 대한 예측 정보를 획득하는 단계를 포함하고, 상기 게임 승부 예측 모델은, 상기 임베딩 모델 및 상기 인공 신경망이 결합된 결합 모델이고, 상기 임베딩 모델을 이용하여 상기 제1 팀에 대응하는 게임 캐릭터의 선택 조합 정보로부터 상기 제1 팀에 대응하는 특징 값을 추출하고, 상기 제1 팀에 대응하는 특징 값을 포함하는 입력 값을 상기 인공 신경망에 입력하여 상기 게임 승부에 대한 예측 정보를 출력하는, 스포츠 게임 승부 예측 방법.
  2. 제1항에 있어서, 상기 데이터 전처리를 수행하는 단계는, 상기 선택 조합 정보에 대하여 정규화를 수행하고, 상기 선택 조합에 포함된 각 게임 캐릭터들의 정보에 기초하여 각 게임 캐릭터들에 대한 정렬을 수행하는 단계를 포함하는, 스포츠 게임 승부 예측 방법.
  3. 제1항에 있어서, 상기 특징 값을 획득하는 단계는, 상기 데이터 전처리가 수행된 선택 조합 정보 및 상기 선택 조합에 포함된 각 게임 캐릭터들이 선택된 순서 정보를 상기 임베딩 모델에 입력하여 상기 각 팀별 게임 캐릭터의 선택 조합에 대한 특징 값을 획득하는 단계를 포함하는, 스포츠 게임 승부 예측 방법.
  4. 제1항에 있어서, 상기 게임 승부 예측 모델은, 상기 선택 조합 정보에 기초하여 상기 게임 승부에 대한 예측 정보를 출력하는, 스포츠 게임 승부 예측 방법.
  5. 상기 임베딩 모델은, 양방향 LSTM(Long Short Term Memory)이고, 상기 특징 값은, 상기 양방향 LSTM으로부터 출력되어 상기 인공 신경망의 입력 데이터로 입력되는, 스포츠 게임 승부 예측 방법.
  6. 제4항에 있어서, 상기 게임 승부 예측 모델은, 스포츠 게임 관련 서버(미도시)로부터 수신한 과거에 수행된 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합 정보 및 상기 과거에 수행된 게임 플레이의 결과 정보에 기초하여 학습된, 스포츠 게임 승부 예측 방법.
  7. 제1항에 있어서, 상기 선택 조합 정보는, 상기 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터 각각의 공격력, 방어력 및 마법 공격력을 포함하고, 상기 게임 캐릭터에 대응하는 변수 데이터를 포함하는, 스포츠 게임 승부 예측 방법.
  8. 게임 승부 예측 모델을 학습시키는 학습 방법에 있어서, 스포츠 게임 관련 서버(미도시)로부터 과거에 수행된 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합에 기초하여, 상기 선택 조합 정보를 수신하는 단계; 상기 선택 조합 정보에 대하여 데이터 전처리를 수행하는 단계; 상기 데이터 전처리가 수행된 선택 조합 정보를 게임 승부 예측 모델의 임베딩 모델에 입력하여 상기 각 팀별 게임 캐릭터의 선택 조합에 대한 특징 값을 획득하는 단계; 상기 특징 값을 상기 게임 승부 예측 모델의 인공 신경망에 입력하여, 게임 승부에 대한 예측을 포함하는 출력 데이터를 획득하는 단계; 및 상기 출력 데이터와 상기 과거에 수행된 게임 플레이의 결과 데이터에 기초하여 상기 임베딩 모델 및 상기 인공 신경망의 파라미터를 조정하는 단계 를 포함하고, 상기 게임 승부 예측 모델은, 상기 임베딩 모델 및 상기 인공 신경망이 결합된 결합 모델이고, 상기 임베딩 모델을 이용하여 상기 제1 팀에 대응하는 게임 캐릭터의 선택 조합 정보로부터 상기 제1 팀에 대응하는 특징 값을 추출하고, 상기 제1 팀에 대응하는 특징 값을 포함하는 입력 값을 상기 인공 신경망에 입력하여 상기 게임 승부에 대한 예측 정보를 출력하는, 학습 방법.
  9. 스포츠 게임 승부 예측 방법을 수행하는 게임 승부 예측 장치에 있어서, 클라이언트(미도시)로부터 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합에 기초하여, 상기 선택 조합 정보를 수신하는 데이터 수신부; 상기 선택 조합 정보에 대하여 데이터 전처리를 수행하는 데이터 전처리부; 상기 데이터 전처리가 수행된 선택 조합 정보를 게임 승부 예측 모델의 임베딩 모델에 입력하여 상기 각 팀별 게임 캐릭터의 선택 조합에 대한 특징 값을 획득하고, 상기 특징 값을 상기 게임 승부 예측 모델의 인공 신경망에 입력하여, 게임 승부에 대한 예측 정보를 획득하는 게임 승부 예측부를 포함하고, 상기 게임 승부 예측 모델은, 상기 임베딩 모델 및 상기 인공 신경망이 결합된 결합 모델이고, 상기 임베딩 모델을 이용하여 상기 제1 팀에 대응하는 게임 캐릭터의 선택 조합 정보로부터 상기 제1 팀에 대응하는 특징 값을 추출하고, 상기 제1 팀에 대응하는 특징 값을 포함하는 입력 값을 상기 인공 신경망에 입력하여 상기 게임 승부에 대한 예측 정보를 출력하는, 게임 승부 예측 장치.
  10. 게임 승부 예측 모델을 학습시키는 학습 방법을 수행하는 학습 장치에 있어서, 스포츠 게임 관련 서버(미도시)로부터 과거에 수행된 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합에 기초하여, 상기 선택 조합 정보를 수신하는 데이터 수신부; 상기 선택 조합 정보에 대하여 데이터 전처리를 수행하는 데이터 전처리부; 및 게임 승부 예측 모델로부터 상기 게임 승부에 대한 예측을 포함하는 출력 데이터를 획득하고, 상기 출력 데이터 및 상기 과거에 수행된 게임 플레이의 결과 데이터에 기초하여 상기 게임 승부 예측 모델의 파라미터를 조정하는 학습부를 포함하고, 상기 게임 승부 예측 모델은, 임베딩 모델 및 인공 신경망이 결합된 결합 모델이고, 상기 임베딩 모델을 이용하여 상기 제1 팀에 대응하는 게임 캐릭터의 선택 조합 정보로부터 상기 제1 팀에 대응하는 특징 값을 추출하고, 상기 제1 팀에 대응하는 특징 값을 포함하는 입력 값을 상기 인공 신경망에 입력하여 상기 게임 승부에 대한 예측 정보를 출력하는, 학습장치.

Description

스포츠 게임 승부 예측 방법 및 장치{Methods and Devices for Predicting Sports Game Outcomes} 아래 실시예들은 스포츠 게임 승부 예측 기술에 관한 것이다. 경기 승패 예측 연구는 주로 승패 요인 분석과 예측 모델 개발에 집중되어 있다. 기존 기술들은 농구나 배구처럼 무승부가 거의 없는 스포츠의 승패 예측에 주력했지만, 승, 무, 패가 모두 가능한 축구에는 적용에 한계가 있었다. 또한, 스포츠 구단만이 접근할 수 있거나 많은 비용과 시간이 소요되는 데이터를 사용해 일반 사용자가 승패 요인을 분석하기 어려웠다. 이를 보완할 수 있는 연구의 필요성이 제기되고 있다. 도 1은 일 실시예에 따른 게임 승부 예측 시스템의 전체적인 구성을 도시한 도면이다. 도 2는 일 실시예에 따른 게임 승부 예측 모델의 학습 방법의 동작을 설명하기 위한 흐름도이다. 도 3은 일 실시예에 따른 스포츠 게임 승부 예측 방법의 동작을 설명하기 위한 흐름도이다. 도 4는 일 실시예에 따른 스포츠 게임 승부 예측 방법의 동작을 도시하는 도면이다. 도 5는 일 실시예에 따른 게임 승부 예측 모델을 학습시키는 학습 장치의 구성을 도시하는 도면이다. 도 6은 일 실시예에 따른 게임 승부 예측 장치의 구성을 도시하는 도면이다. 이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다. 실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 도 1은 일 실시예에 따른 게임 승부 예측 시스템의 전체적인 구성을 도시한 도면이다. 도 1을 참조하면, 게임 승부 예측 시스템은 클라이언트(미도시)로부터 게임 플레이를 수행할 두 개의 팀 각각에 대한 게임 캐릭터의 선택 조합에 기초하여 게임 승부에 대한 예측을 수행할 수 있다. 예를 들어 게임 승부 예측 시스템은 리그 오브 레전드(LOL)처럼 팀워크, 전략, 빠른 반응 속도가 필요한 실제 스포츠로는 농구, 축구, 그리고 아이스하키 같은 스포츠가 좋은 대안이 될 수 있습니다. 이런 스포츠들은 LOL의 팀플레이 요소와 유사한 요소들을 갖추고 있으며, 실제로 몸을 움직이면서 팀원들과의 협동과 전략이 요구된다는 점에서 유사한 만족감을 줄 수 있습니다. 따라서, 농구, 축구, 그리고 아이스하키 같은 스포츠 게임을 수행할 두 개의 팀 각각의 게임 캐릭터 선택 조합에 기초한 게임 승부에 대한 예측을 수행할 수 있다. 일 실시예에서, 게임 승부 예측 시스템은 데이터 전처리부(110) 및 게임 승부 예측 모델(120)을 포함할 수 있다. 데이터 전처리부(110)는 클라이언트(미도시)로부터 게임 플레이를 수행할 두 개의 팀 각각의 게임 캐릭터 선택 조합에 기초한 선택 조합 정보를 입력받을 수 있다. 데이터 전처리부(110)는 입력 받은 선택 조합 정보에 대하여 데이터 전처리를 수행할 수 있다. 데이터 전처리부(110)는 선택 조합 정보에 대하여 정규화를 수행하고, 선택 조합에 포함된 각 게임 캐릭터들의 정보에 기초하여 각 게임 캐릭터들에 대한 정렬을 수행할 수 있다. 여기서, 각 게임 캐릭터들의 정보는, 각 게임 캐릭터들의 역할 및 각 게임 캐릭터들이 게임 플레이를 수행하는 게임 내 위치 등을 포함할 수 있다. 데이터 전처리부(110)는 선택 조합에 포함된 각 게임 캐릭터들의 역할 및 각 게임 캐릭터들이 게임 플레이를 수행하는 게임 내 위치 정보 등에 기초하여 각 게임 캐릭터들에 대하여 정렬을 수행할 수 있다. 게임 승부 예측 모델(120)은 데이터 전처리부(110)로부터 데이터 전처리가 수행된 선택 조합 정보를 수신할 수 있다. 게임 승부 예측 모델(120)은 데이터 전처리가 수행된 선택 조합 정보에 기초하여 게임 승부 예측 정보를 출력할 수 있다. 게임 승부 예측 모델(120)은 게임 플레이에 참여할 각 팀을 기준으로 승리, 무승부 및 패배 중 적어도 하나를 포함하는 예측 정보를 출력할 수 있다. 일 실시예에서, 게임 승부 예측 모델(120)은 게임 캐릭터가 선택된 순서와 각 팀별 게임 캐릭터들의 선택 조합에 기초하여 게임 승부에 대한 예측을 수행하기 위하여, 임베딩 모델과 인공 신경망이 결합된 결합 모델일 수 있다. 여기서, 임베딩 모델은 양방향 LSTM일 수 있다. 도 2는 일 실시예에 따른 게임 승부 예측 모델의 학습 방법의 동작을 설명하기 위한 흐름도이다. 도 2를 참조하면, 단계(210)에서 학습 장치는 스포츠 게임 관련 서버(미도시)로부터 과거에 수행된 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합에 기초하여, 선택 조합 정보를 수신할 수 있다. 일 실시예에서 학습 장치는 스포츠 게임과 관련한 운영자 사이트로부터 과거에 수행된 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합을 수신할 수 있다. 여기서, 선택 조합은, 한 팀을 구성하고 있는 게임 캐릭터들이 선택된 조합을 의미할 수 있다. 한 팀을 구성하고 있는 각각의 게임 캐릭터들의 역할, 라인(게임 플레이를 수행하는 게임 상의 위치) 및 능력치에 기초하여 선택 조합에 따른 팀의 능력치가 결정될 수 있다. 실시예에 따라 각각의 능력치가 비슷한 게임 캐릭터들이라고 해도, 한 팀을 구성하고 있는 게임 캐릭터들의 선택 조합에 따라 팀의 능력치가 달라질 수도 있다. 단계(220)에서 학습 장치는 선택 조합 정보에 대하여 데이터 전처리를 수행할 수 있다. 학습 장치는 선택 조합 정보에 대하여 정규화를 수행하고, 선택 조합에 포함된 각 게임 캐릭터들의 정보에 기초하여 각 게임 캐릭터들에 대한 정렬을 수행함으로써 선택 조합 정보에 대한 데이터 전처리를 수행할 수 있다. 선택 조합 정보는 양방향 LSTM인 임베딩 모델에 입력되기 적절하도록, 각 게임 캐릭터들이 선택된 순서에 기초하여 정렬될 수 있다. 일 실시예에서 학습 장치는 선택 조합 정보에 대해 주성분 분석(PCA: Principal Component Analysis)을 수행하여 데이터의 차원을 축소시킬 수도 있다. 단계(230)에서 학습 장치는 데이터 전처리가 수행된 선택 조합 정보를 게임 승부 예측 모델의 임베딩 모델에 입력 값으로 입력하여 각 팀별 게임 캐릭터의 선택 조합에 대한 특징 값을 획득할 수 있다. 단계(240)에서 학습 장치는 임베딩 모델로부터 획득한 특징 값을 게임 승부 예측 모델의 인공 신경망에 입력하여, 게임 승부에 대한 예측을 포함하는 출력 데이터를 획득할 수 있다. 게임 승부 예측 모델은 특징 값에 기초하여 제1팀 및 제2팀이 수행할 게임 플레이에 따른 게임 승부 결과의 예측을 수행할 수 있다. 실시예에 따라 게임 승부 예측 모델은 게임 플레이에 참여한 각 팀이 승리할 확률, 무승부일 확률 및 패배할 확률을 출력할 수 있고, 각 확률에 기초하여 각 팀의 승리, 무승부 및 패배를 예측하는 출력 데이터를 출력할 수 있다. 단계(250)에서 학습 장치는 출력 데이터와 상기 과거에 수행된 게임 플레이의 결과 데이터에 기초하여 임베딩모델 및 인공 신경망의 파라미터를 조정할 수 있다. 학습 장치는 게임 승부 예측 모델의 예측 정확도를 향상시키기 위해 임베딩 모델 및 인공 신경망의 파라미터를 조정함으로써, 게임 승부 예측 모델을 학습시킬 수 있다. 또한, 임베딩 모델이 출력한 특징 값 중에서 인공 신경망에 입력할 특징 값의 형식을 결정하거나, 임베딩 모델이 출력할 특징 값들의 형식을 결정함으로써 게임 승부 예측 모델을 학습시킬 수도 있다. 예를 들어, 임베딩 모델이 출력한 특징 값의 형식이 수치형인 경우에 게임 승부 예측 모델의 정확도가 가장 높게 나타날 수 있다. 이 경우, 학습 장치는 임베딩 모델이 수치형의 특징 값들을 출력하게 학습시킬 수 있다. 도 3은 일 실시예에 따른 스포츠 게임 승부 예측 방법의 동작을 설명하기 위한 흐름도이다. 도 3을 참조하면, 단계(310)에서 게임 승부 예측 장치는 클라이언트(미도시)로부터 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터의 선택 조합에 기초하여, 상기 선택 조합 정보를 수신할 수 있다. 여기서, 선택 조합 정보는 게임 플레이와 관련된 제1 팀 및 제2 팀의 팀별 게임 캐릭터 각각의 공격력, 방어력 및 마법 공격력을 포함할 수 있고, 게임 캐릭터에 대응하는 데이터를 포함할 수도 있다. 게임 캐릭터에 대응하는 변수 데이터는 예를 들어, 게임 캐릭터에 대응하는 사용자의 이전 5경기 승패 결과, 게임 캐릭터에 대응하는 사용자의 티어(Tier), 게임 캐릭터에 대응하는 사용자가 선택한 게임 캐릭터의 스킬, 공격력, 방어력, 마법공격력 수치, 게임 캐릭터에 대응하는 사용자가 선택한 게임 캐