CN110119547A - 一种预测团战胜负的方法、装置及控制设备 - Google Patents

Abstract

本发明公开了一种预测团战胜负的方法、装置及控制设备，属于计算机技术领域，用于在团战开始之前进行团战胜负的预测，进而为用户提供团战预警。所述方法包括：在目标对象处于团战对峙场景时，获得处于所述团战对峙场景中的各个对象的个体状态数据，以及获得所述团战对峙场景的环境描述数据；根据各个对象的个体状态数据和所述环境描述数据，基于预先训练的团战胜负预测模型，获得所述目标对象以所述团战对峙场景进行团战的团战胜负预测结果；其中，所述团战胜负预测模型是根据标注了团战胜负结果的多个团战训练样本训练得到的；输出团战预警信息，其中，所述团战预警信息是根据所述团战胜负预测结果生成的。

Description

一种预测团战胜负的方法、装置及控制设备

技术领域

本发明涉及计算机技术领域，尤其涉及一种预测团战胜负的方法、装置及控制设备。

背景技术

随着计算机技术及互联网技术的快速发展，在移动终端上出现了大量的游戏应用。对于一些对战类游戏，团战是这类游戏中比较重要的游戏场景，一场团战的成败甚至能直接决定整场游戏的胜负，因此团战的发起时机非常重要。

然而，对于大多数游戏玩家来说，并不能准确的把握住团战的发起时机，例如在具有团战优势的时候并不主动发起团战或放弃团战，或者在不具有团战优势的时候却又盲目的发起团战，进而可能导致整场游戏失败。

鉴于此，亟需一种可以进行团战胜负预测以为用户提供团战预警的方案。

发明内容

本申请实施例提供一种预测团战胜负的方法、装置及控制设备，用于在团战开始之前进行团战胜负的预测，以为用户准确的提供较佳的团战发起时机或者警告及时撤退，进而提高用户的游戏体验。

一方面，提供一种预测团战胜负的方法，所述方法包括：

在目标对象处于团战对峙场景时，获得处于所述团战对峙场景中的各个对象的个体状态数据，以及获得所述团战对峙场景的环境描述数据；

根据各个对象的个体状态数据和所述环境描述数据，基于预先训练的团战胜负预测模型，获得所述目标对象以所述团战对峙场景进行团战的团战胜负预测结果；其中，所述团战胜负预测模型是根据标注了团战胜负结果的多个团战训练样本训练得到的；

输出团战预警信息，其中，所述团战预警信息是根据所述团战胜负预测结果生成的。

一方面，提供一种预测团战胜负的装置，所述装置包括：

获得模块，用于在目标对象处于团战对峙场景时，获得处于所述团战对峙场景中的各个对象的个体状态数据，以及获得所述团战对峙场景的环境描述数据；

胜负预测模块，用于根据各个对象的个体状态数据和所述环境描述数据，基于预先训练的团战胜负预测模型，获得所述目标对象以所述团战对峙场景进行团战的团战胜负预测结果；其中，所述团战胜负预测模型是根据标注了团战胜负结果的多个团战训练样本训练得到的；

输出模块，用于输出团战预警信息，其中，所述团战预警信息是根据所述团战胜负预测结果生成的。

在一种可能的设计中，所述装置还包括确定模块，用于：

确定所述目标对象；

根据所述目标对象的位置确定预定团战范围内的其它对象，以及确定所述其它对象中的各个对象的运动状态；

若所述其它对象的数量和各个对象的运动状态符合团战对峙条件，则确定所述目标对象处于团战对峙场景。

在一种可能的设计中，所述确定模块，用于：

以所述目标对象的位置为中心，以第一距离确定第一级区域；

分别以所述第一级区域内除所述目标对象外的M个对象中的每个对象的位置为中心，以对应的第二距离确定第二级区域，共确定M个第二级区域，M为正整数；

若所述第一级区域与所述M个第二级区域组成的整体团战区域与所述预定团战范围之间的差异属于预定可忽略范围，则将所述整体团战区域中除所述目标对象外的对象确定为所述其它对象。

在一种可能的设计中，对象的个体状态数据包括该对象的个体属性数据、当前游戏状态数据和历史战绩数据；以及，所述环境描述数据包括各团战战队的专属环境描述数据和公共环境描述数据。

在一种可能的设计中，所述团战胜负预测模型通过模型训练模块训练得到，所述模型训练模块用于：

获得团战训练样本集合，其中，每个团战训练样本均标注了参与团战的各团战战队的胜负结果；

针对每个团战训练样本，根据每个对象的个体状态数据获得每个对象的个体特征向量，以及根据环境描述数据获得团战环境特征向量；

根据每个团战训练样本中的每个对象的个体特征向量和团战环境特征向量，对初始的团战胜负预测模型进行训练，以得训练后的团战胜负预测模型。

在一种可能的设计中，所述模型训练模块用于：

针对每个团战训练样本，根据该团战训练样本中的各个对象的个体特征向量确定各团战战队的协作特征向量，以及根据团战环境特征向量确定各团战战队的专属环境特征向量和所有团战战队的公共环境特征向量；

获得每个团战训练样本中的各团战战队的训练特征向量，其中，每个团战战队的训练特征向量包括该团战战队中的各个对象的个体特征向量、协作特征向量、专属环境特征向量和公共环境特征向量；

根据所有团战训练样本中的各团战战队的训练特征向量对初始的团战胜负预测模型进行模型训练。

在一种可能的设计中，所述装置还包括样本标注模块，用于：

获得所述目标对象以所述团战对峙场景进行团战的团战胜负实际结果；

若所述团战胜负实际结果与所述团战胜负预测结果不符，则根据所述团战胜负实际结果对本次团战进行标注以得到新的团战训练样本；其中，所述新的团战训练样本用于重新训练所述团战胜负预测模型。

一方面，提供一种控制设备，所述控制设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述各方面中的预测团战胜负的方法包括的步骤。

一方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行上述各方面中的预测团战胜负的方法包括的步骤。

本申请实施例中，可以预先利用多个标注了团战胜负结果的团战训练样本来训练得到团战胜负预测模型，进一步地，在目标对象处于团战对峙场景时，获得处于该团战对峙场景中的各个对象的个体状态数据以及环境描述数据，进而根据这两种类型的数据，再基于预先训练好的团战胜负预测模型对团战胜负进行预测，例如预测目标对象所在战队的最终团战胜利的概率，以得到团战胜负预测结果，然后再根据团战胜负预测结果生成相应的团战预警信息并输出。这样，通过实时的游戏团战预警能力，使得用户能够根据团战预警信息的提示明确当前是否是发起团战的好时机，进而可以对团战胜负进行有效的预警，进而可以为用户游戏进行实时有效的参考，以尽量提高游戏的最终获胜概率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例中的处于团战对峙场景的示意图；

图2为本申请实施例中的应用场景的示意图；

图3为本申请实施例中的预测团战胜负的方法的流程图；

图4为本申请实施例中的确定目标对象处于团战对峙场景的示意图；

图5为本申请实施例中的预测团战胜负的装置的结构框图；

图6为本申请实施例中的控制设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互任意组合。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请的说明书和权利要求书及上述附图中的术语“第一”和“第二”是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请中的“多个”可以表示至少两个，例如可以是两个、三个或者更多个，本申请实施例不做限制。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，在不做特别说明的情况下，一般表示前后关联对象是一种“或”的关系。

以下对本文中涉及的部分用语进行说明，以便于本领域技术人员理解。

1、对象，可以是指游戏应用中的游戏角色，而目标对象则可以理解为是目标游戏角色，目标对象例如可以是指当前游戏玩家在游戏中的游戏角色。

在游戏中根据角色差异，可以包括英雄、小兵等游戏角色，而英雄又可以包括不同类别，例如包括坦克英雄、战士英雄、刺客英雄、法师英雄、射手英雄、辅助英雄等英雄类别。不同类别的英雄一般具有不同的特长和技能，在游戏过程中，玩家可以根据自己的需求选择不同的英雄角色参与游戏对抗。

不同类型的英雄适用于不同的阵容，而每一种不同类型的英雄在阵容中所担任的位置也有所不同，将英雄使用在合理的阵容位置上，可大幅度提升全队的战斗能力。

2、团战，在游戏中定义为以小组(如帮派、战队)为单位的多名玩家进行集体对抗。在游戏中，团战一般具有团战发起时机，可以将团战发起时机理解为是团战的导火索，即可以通过团战的导火索引发团战。

一般来说，多人对多人的集体对抗并非一定就是团战，因为团战一般具有团战对峙阶段，团战对峙阶段一般会持续较短时间，例如几秒、几十秒或者几分钟，在团战对峙阶段，对战双方可以进行一些对战准备，也就是说，只有经过团战对峙阶段的多人集体对抗才理解为是团战，举个反例，例如4个人在草丛里伏击了对方的3个人，这种方式的对战对于对方的3个人来说可能是猝不及防的，所以这种不适宜称作团战。

3、团战对峙场景，即处于团战对峙阶段的游戏场景，团战对峙阶段是游戏对战的双方在可能进行团战之前的等待阶段，所以，团战对峙场景用于表明即将可能进行团战的一种趋势。

请参见图1所示的团战对峙场景的示意图，其中包括两方战队，例如以图1中间的空白区域为界限，其中左侧的为一方战队，右侧的为一方战队。在每方战队中，均包括有防御塔、三个英雄和两个小兵，此时，双方英雄的运动状态均为几乎朝着对方战队而立，并且属于一方战队的英雄相对集中靠近，以及持有武器的英雄也准备好了武器，或者有的英雄直接是以准备开战的动作，等等，通过这些可以很明显的看出，双方战队都在准备着开战，即具有开起团战的较大趋势，所以可以将此游戏场景称作团战对峙场景，而该团战对峙场景例如可以持续几秒或者几十秒，当由某方发起团战或者双方同时发起团战后，进而进入团战对抗场景。

4、团战胜负预测模型，本申请实施例中用于预测团战各方的团战胜负结果的计算模型，其中，团战胜负结果包括胜利、失败或平局。

团战胜负预测模型可以通过大量训练样本对初始的团战胜负预测模型进行训练得到，而初始的团战胜负预测模型可以是分类模型，例如可以是支持向量机、boost tree、深度神经网络(Deep Neural Networks，DNN)等分类模型。

5、防御塔，游戏中用于为己方提供防御的游戏元素，防御塔可以协助清理兵线、协助己方英雄进行输出、提供野区的天然屏障和提供回血包等。如果在对战中某方战队有防御塔，则相对于来说对战更有优势。

6、龙坑，游戏中例如用于产生野怪以便英雄提升对战经验的游戏元素。

以下介绍本申请的设计思想。

如前所述的，在团战类游戏过程中，大多数游戏玩家并不能准确的把握住团战的发起时机，从而可能导致整场游戏失败，难以得到较好的游戏体验，所以需要一种可以进行团战胜负预测，进而为用户提供团战预警的技术方案。

鉴于此，本申请人提出可以基于机器学习的思想来实现对团战胜负的智能预警。基于此，本申请人考虑到在团战过程中，对团战结果影响较大的主要是对战双方的各个参战对象的个体情况以及对战环境的环境因素，所以，再结合机器学习的思想，本申请人提出了一种预测团战胜负的方案。

在该方案中，可以预先利用多个标注了团战胜负结果的团战训练样本来训练得到团战胜负预测模型，进一步地，在目标对象处于团战对峙场景时，获得处于该团战对峙场景中的各个对象的个体状态数据以及环境描述数据，进而根据这两种类型的数据，再基于预先训练好的团战胜负预测模型对团战胜负进行预测，例如预测目标对象所在战队的团战胜利的概率，以得到团战胜负预测结果，然后再根据团战胜负预测结果生成相应的团战预警信息并输出。这样，通过实时的游戏团战预警能力，使得用户能够根据团战预警信息的提示明确当前是否是发起团战的好时机，如果预测出的团战胜率较大，则可以提示用户主动发起团战或者抓紧时间开团，这样在很大程度上可以获得团战胜利，如果预测出的团战胜率较小，即失败概率较大，则可以提示用户赶紧撤退，保留己方实力以在后续具备较佳团战时机的时候再发起团战，即保存实力以再寻找更好的团战时机。也就是说，可以对团战胜负进行有效的预警，进而可以为用户游戏进行实时有效的参考，以尽量提高游戏的最终获胜概率。

在介绍完本申请实施例的设计思想之后，下面对本申请实施例提供的技术方案适用的应用场景做一些简单介绍，需要说明的是，以下介绍的应用场景仅用于说明本发明实施例而非限定。在具体实施时，可以根据实际需要灵活地应用本申请实施例提供的技术方案。

请参见图2所示，图2为本申请的技术方案适用的一种应用场景。在该应用场景中包括终端设备101、服务器102和机器人103。其中，终端设备101与机器人103均通过网络与服务器102连接，在实际中，终端设备101与机器人103可以通过同一网络与服务器102连接，或者也可以通过不同的网络分别与服务器102连接。

其中，在终端设备101中可以运行能够进行团战类的游戏应用，例如图2中所示的终端设备101显示的正是游戏的团战场景，也就是说，终端设备101中安装有游戏应用客户端，用户可以登录游戏应用客户端，通过注册登录成为游戏玩家，进而可以通过该游戏应用客户端参与游戏，例如参与游戏团战。

服务器102是可以为终端设备101中安装的游戏应用客户端提供后台游戏服务的游戏服务器，并且，服务器102可以与多个终端设备(包括终端设备101)网络连接，在这多个终端设备中均安装有前述的游戏应用客户端。多个终端设备对应的多个用户通过登录同一游戏应用客户端可以组队游戏。服务器102中存储有各个终端设备101的实时游戏数据，进而可以根据这些实时游戏数据为终端设备101提供游戏服务。

机器人103例如是一款陪伴用户玩游戏的人工智能机器人，可以满足玩家的游戏陪伴需求，同时，机器人103也可以具备音箱功能，旨在为用户提供实时的游戏战况播报和融入游戏的策略指导。机器人103与终端设备101之间也可以通信连接，基于该通信连接，机器人103可以获得终端设备101中的实时游戏数据，或者，机器人103可以基于与服务器102之间的网络连接获得终端设备101中的实时游戏数据。

本申请实施例中的预测团战胜负的方法可以由图2所示场景中的终端设备101或服务器102或机器人103执行，也就是说，图2所示场景中的终端设备101、服务器102、机器人103均可以采用本申请实施例提供的预测团战胜负的方法来对终端设备101中的具有开团趋势的团战对峙场景进行团战胜负的概率预测。而进行预测所使用的团战胜负预测模型可以是在服务器102中预先就训练好的，在服务器102中预先训练好了团战胜负预测模型之后，服务器102自身可以进行团战胜负的概率预测，然后将预测结果发送给终端设备101或者发送给机器人103，进而通过终端设备101或者机器人103输出；或者，可以将训练好的团战胜负预测模型从服务器102中移植到机器人103或终端设备101中，进而使得终端设备101或者机器人103可以分别进行团战胜负结果的有效预测。

上述的终端设备101可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备、计算设备或链接到无线调整解调器的其他处理设备，以及各种形式的用户设备(User Equipment，UE)，移动台(Mobile Station，MS)等等。例如，终端设备101可以是手机、平板电脑、掌上电脑(Personal Digital Assistant，PDA)，笔记本电脑等设备。以及，上述的服务器102可以是个人计算机、大中型计算机、计算机集群，等等。

为进一步说明本申请实施例提供的技术方案，下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。所述方法在实际的处理过程中或者装置执行时，可按照实施例或者附图所示的方法顺序执行或者并行执行。

以下结合图3所示的预测团战胜负的方法的流程图对本申请实施例中的技术方案进行说明。

由于在执行本申请实施例中的预测团战胜负的方法中需要利用预先训练好的团战胜负预测模型，为了便于理解，以下先介绍团战胜负预测模型的训练过程，而对于团战胜负预测模型的训练过程，以下结合图3中的步骤301-步骤303进行说明。

步骤301：获得团战训练样本集合，每个团战训练样本均标注了团战胜负结果。

在具体实施过程中，可以获得大量的线上或线下已经完成团战的团战记录，每条团战记录则对应一个团战训练样本，由于这些团战训练样本已经完成了团战，所以可以根据实际的团战胜负结果来对每个团战训练样本进行标注，标注的方式可以是人工标注或者由系统自动标注。对团战训练样本进行团战胜负结果的标注，实际上是对参与团战的各个对象(例如各个游戏英雄)的团战结果进行标注，一般来说，参与团战的是两方战队，那么一方战队中的每个对象的团战胜负结果是一样的，换言之，一个战队的团战胜负结果即代表了该战队中的各个对象的团战胜负结果，每个团战训练样本均标注了参与团战的双方战队的团战胜负结果。

步骤302：获得每个训练样本中的每个对象的个体特征向量，以及获得团战环境特征向量。

在具体实施过程中，针对每个训练样本，可以先获得每个训练样本中的各个对象的个体状态数据，以及获得团战对峙场景的环境描述数据。

其中，对象的个体状态数据是用于描述该对象作为游戏中的一个个体角色，其自身的相关信息。例如，对象的个体状态数据可以包括该对象的个体属性数据、当前游戏状态数据和历史战绩数据。其中，个体属性数据例如包括用于唯一标识该对象的对象标识(例如hero1)、对象的角色类型(例如是法师英雄或者刺客英雄)、所属战队的战队标识(例如属于第一战队或第二战队，或者例如属于己方还是敌方)；当前游戏状态数据用于指示该对象在当前时刻的角色状态，比如包括该对象的当前血量、蓝量、经济值、英雄熟练度、能够使用的特长或者技能等相关信息；历史战绩数据用于表明该对象在历史游戏过程中的对战战绩，例如可以通过KDA来表示对象的历史战绩数据，其中的“K”表示Kill，是指在历史游戏过程中杀人的总数量，“D”表示Death，是指在历史游戏过程中死亡的总次数，“A”表示Assist，是指在历史游戏过程中助攻的总次数，例如可以通过(K+A)/D公式来计算最终的KDA值，可见杀人多助攻多死亡少可以增加KDA值，KDA值越大表明该对象的对战水平和对战能力越高，而KDA值越高的对象在团战过程中也可以贡献较多的个人能力，有助于团战的整体胜率的提高。

团战对峙场景的环境描述数据是用于描述对战地点的环境，例如，在对战地点附近有没有对战双方的防御塔存在，周围有没有小兵，对战地点是否是在龙坑，或者对战地点周围是否有龙坑，当前的天气情况或者道路情况，等等。而环境描述数据所描述的环境有些是针对某一对战方所特有的，例如对于对战的己方和敌方而言，在对战地点附近有己方的防御塔存在，以及有敌方的小兵存在，这些只是某一对战方特有的环境可以该对战方的专属环境描述数据表示，而例如龙坑的存在情况、当前天气情况和道路情况，由于对于对战双方来说都是共有的，所以可以将这些理解为是所有对战方的公共环境描述数据。

进一步地，在获得了各个对象的个体状态数据和环境描述数据之后，可以对这些数据进行特征提取，以根据对象的个体状态数据提取得到各个对象的个体特征向量。同时，可以根据整个团战对峙场景的环境描述数据提取得到该团战对峙场景的团战环境特征向量。

步骤303：根据每个团战训练样本的团战环境特征向量和每个对象的个体特征向量，对初始的团战胜负预测模型进行模型训练。

在通过上述方式获得了相应的特征向量之后，可以将这些特征向量输入到初始的团战胜负预测模型进行模型训练，当训练得到的团战胜负预测模型能够根据实际标注结果进行预定比例(例如95％)以上的准确预测时，则可以将此时训练得到的团战胜负预测模型作为最终可以进行实际预测的预测模型。

本申请实施例中，对于上述的提取特征过程，还可以根据各个对象所属的团战战队，再以团战战队的维度来提取向量特征，即还可以根据所有对象的个体特征向量确定各个团战战队的协作特征向量，通过协作特征向量可以表征整个团战战队的协作能力，例如该战队中的各个英雄之间的配合程度以及是否能够进行技能或特长上的互补。

并且，根据前面所说的，由于环境包括了各个战队的专属环境和所有战队的公共环境，所以进一步地的可以对团战环境特征向量再进行特征提取和转换，进而得到每个战队的专属环境特征向量和所有战队的公共环境特征向量。

进一步地，可以得到各个团战战队的训练特征向量，进而通过得到的训练特征向量来对初始的团战胜负预测模型进行模型训练。其中，每个团战战队的训练特征向量包括该团战战队中的各个对象的个体特征向量、协作特征向量、专属环境特征向量和公共环境特征向量。其中，对于个体特征向量和协作特征向量，是分别站在单个对象和整个战队的不同维度来进行特征描述，因为在设计团战过程中，一个对象的自身能力和该对象在整个团队阵容中的角色分配和与其它对象之间的协作互补等均对团战结局有较大的影响，所以以不同维度来描述一个对象可以对该对象作为个体以及作为战队的一员进行更为充分的描述，进而可以提高模型训练的有效性和准确性。类似的，对于专属环境特征向量和公共特征向量，也是基于前述考量，以不同视角来对环境进行特征描述，也可以提高模型训练的有效性和准确性。

进一步地，在得到训练好的团战胜负预测模型之后，为了实时的对用户进行团战预警，以下结合图3中的步骤304-步骤311介绍本申请实施例中的预测团战胜负的方法。

步骤304：获得实时游戏数据。

其中，实时游戏数据是指用户在游戏过程中随着游戏场景的变化而实时产生的游戏数据，实时游戏数据能够及时动态的反映出用户的游戏状态和游戏进行过程。

步骤305：确定目标对象。

例如玩家张三以角色X在玩游戏，若需要对张三进行实时的团战预警，那么则可以将战三对应的角色X确定为目标对象，也就是说，需要对谁进行团战预警，就可以将该用户对应在游戏画面中的游戏角色作为本申请实施例中的目标对象。

步骤306：判断目标对象是否处于团战对峙场景。

在锁定目标对象之后，即可以动态的检测目标对象是否处于团战对峙场景，若处于团战对峙场景，即表明该目标对象具有参加团战的趋势，换言之，若目标对象处于团战对峙场景，则表明该目标对象很大可能将要参见团战。

本申请实施例中，可以预先设定预定团战范围，该预定团战范围例如可以所一般团战的有效团战区域，因为一般来说，团战是发生在相对较小的一片区域范围内，换言之，团战的战线是比较集中和密集的，团战的战线一般不会拉的太长，所以基于此考虑，可以预先设置预定团战范围，当然在具体实施过程中，预定团战范围可以是一个或多个，具体可以根据具体的对战场景来定。

在具体实施过程中，在确定目标对象之后，可以根据目标对象的位置确定预定团战范围内的其它对象，以及确定这些其它对象中的各个对象的运动状态，若其它对象的数量和各个对象的运动状态均符合团战对峙条件，则可以确定该目标对象处于团战对峙场景。如前述的图1的示例，当处于团战对峙场景时，各个对象的动作以及一定范围内的对象的总数量一般有一些特定的规律，例如一方战队的英雄都会集中的朝向对方战队，并且一般会做出即将开展的手势动作，所以通过在团战对峙场景中比较常见的一些情况可以较为准确的判断出目标对象是否处于团战对峙场景。

在具体实施过程中，可以按照以下方式来确定出团战对峙场景中的所有对峙对象。首先，可以以目标对象的位置为中心，以第一距离确定第一级区域，若第一级区域中新圈入的对象为M个例如为1个或者多个，则再分别以这M个对象中的每个对象的位置为中心，以对应的第二距离确定第二级区域，则共确定M个第二级区域；其中，第一距离和第二距离可以相等或者也可以不等，以及，在确定第二级区域的过程中，用于确定各个第二级区域的第二距离可以相等或者也可以不等，而第一距离和第二距离的具体取值大小以及是否相等，可以根据预定团战范围来定。

进一步的，若第一级区域与M个第二级区域组成的整体团战区域与预定团战范围之间的差异属于预定可忽略范围，则可将前述的整体团战区域近似就确定为所最终实际的预定团战范围，进而可以知晓整体团战区域中的所有对象，而这些所有的对象即为团战对峙过程中的所有对峙对象，也即为可能进行团战的欲团战对象。

例如，参见图4所示，以目标对象(例如图4中的英雄A)为中心，以一定半径进行画圈，得到第一级区域，即图4中实线所表示的圆所覆盖的范围。在第一级区域内，判断是否有其它英雄落在圈内，如果有其它英雄落在圈内，则对新圈入内的各个英雄进行二次画圈，例如图4所示的，经过第一次画圈之后新圈入的英雄是B和C，然后再分别以B和C为中心画圈，得到第二级区域，第二级区域即为图4中的虚线所表示的两个圆所覆盖的区域，以此重复，直至已圈的所有区域组成的整体区域与预定团战范围之间的差异属于预定可忽略范围，至此，所有圈进来的英雄就是本次团战对峙的英雄。具体来说，图4中的A是目标英雄，以A画圈，得到英雄B和C，然后再以B画圈，额外圈到英雄D，以及再以英雄C画圈，额外圈到英雄E，当以A、B、C分别圈定的区域之和(即图4中的三个圆环所组成的总区域)与预定团战范围之间的差异属于预定可忽略范围，就可以将三个圆环所组成的总区域确定为本次对峙场景的区域，可见通过前述方法确定出的对峙场景包括的对峙英雄为A、B、C、D、E。

本申请实施例中，以目标对象为基础，采用以相互邻近的方式依次画圈以圈定对峙区域的方式，能够尽量以目标对象为中心向周围逐渐扩散以找到所有对峙对象，这样可以确保目标对象的团战对峙所尽量成立的，进而能够有效的为目标对象进行团战预警。

步骤307：若确定目标对象正处于团战对峙场景，则获得该团战对峙场景中的各个对象的个体状态数据，以及获得该团战对峙场景的环境描述数据。

其中，各个对象的个体状态数据和环境描述数据可以参照前述步骤302的说明，此处就不再重复了。

步骤308：将各个对象的个体状态数据和团战对峙场景的环境描述数据输入到通过前述步骤301-步骤303获得的训练好的团战胜负预测模型中。

步骤309：经过团战胜负预测模型的预测，即可以得到目标对象以前述的团战对峙场景进行团战的团战胜负预测结果。

训练好的团战胜负预测模型可以基于输入的所有个体状态数据和环境描述数据进行特征提取，进而得到相应的特征向量，例如得到前面已经说明过的个人状态特征向量和团战环境特征向量，或者可以得到前面所说的训练特征向量，通过这些特征向量和已经训练好的团战胜负预测模型的预测，即可以得到针对目标对象以当前的团战对峙场景进行团战的团战胜负预测结果。

步骤310：根据团战胜负预测结果，生成团战预警信息。

在获得团战胜负预测结果之后，即可以知晓目标对象以在前述的团战对峙场景下进行团战的话的胜利概率或者失败概率，进而可以生成对应的团战预警信息。例如，若团战胜利概率是98％，即表明在很大程度上会团战胜利，那么生成的团战预警信息例如可以是“团战胜利较高，勇敢的团战吧”或者是“胜率较高，可以开团”。当然，若团战胜利概率较低(例如只有3％)，那么对应的团战预警信息则应该提醒用户，即使已经处于团战对峙场景，还是需要赶紧撤退，以保护生命，便于后期寻找更好的团战时机，尽量确保游戏的整体胜率。在另一种实施方式中，团战预警信息可以就是团战胜负预测结果本身，例如团战胜负预测结果是“胜率98％”，那么团战预警信息也是“胜率98％”。

步骤311：输出团战预警信息。

在生成团战预警信息之后，为了便于玩家用户及时把握开团时机或者及时撤退，则可以将团战预警信息输出。对于不同的设备而言，输出方式可以不同。例如，若是由用户进行游戏的游戏终端进行预测的话，那么则可以直接在游戏终端的屏幕上显示或者语音播放团战预警信息；如果是游戏陪护的机器人的话，则可以语音播报；若是后台服务器的话，则可以输出到游戏客户端或者机器人，再通过游戏客户端或者机器人采用对应的方式输出，以便用户能够及时知晓团战预警。

在本申请实施例中，在控制设备输出了团战预警信息之后，可以继续进行团战比赛，而团战比赛的实际结果与之前的预测结果可能相同或者也可能不同。例如设备预测的结果是“胜率98％”，而最终实际的团战结果却是失败，那么则表明模型预测的不够准确，此时则可以基于人工标注的方式对本次团战进行胜负结果的标注，以得到新的团战训练样本，然后再用该新的团战训练样本对之前进行预测的团战胜负预测模型重新进行训练，即通过新的团战训练样本来更新之前使用的预测模型，以尽量提高模型的预测准确性。为了便于理解，以下再结合图3中的步骤312-步骤314进行说明。

步骤312：在获得团战胜负预测结果之后，再进行团战，并获得团战胜负实际结果。

步骤313：将团战胜负实际结果与团战胜负预测结果进行比较，以判断两者是否相符。

步骤314：若不相符，则表明预测不够准确，那么则以团战胜负实际结果对本次团战进行人工标注，进而得到新的团战训练样本。

然后再将新得到的团战训练样本添加到原先的团战训练样本集中或者直接输入到之前用于预测的团战胜负预测模型中，以对之前使用的团战胜负预测模型进行模型更新训练，进而提高预测模型的预测准确性。

本申请实施例中，通过实时的游戏团战预警能力，使得用户能够根据团战预警信息的提示明确当前是否是发起团战的好时机，进而可以对团战胜负进行有效的预警，进而可以为用户游戏进行实时有效的参考，以尽量提高游戏的最终获胜概率。

基于同一发明构思，本申请实施例提供一种预测团战胜负的装置。该预测团战胜负的装置可以是硬件结构、软件模块、或硬件结构加软件模块。该预测团战胜负的装置可以由芯片系统实现，芯片系统可以由芯片构成，也可以包含芯片和其他分立器件。请参见图5所示，本申请实施例中的预测团战胜负的装置包括获得模块501、胜负预测模块502和输出模块503，其中：

获得模块501，用于在目标对象处于团战对峙场景时，获得处于团战对峙场景中的各个对象的个体状态数据，以及获得团战对峙场景的环境描述数据；

胜负预测模块502，用于根据各个对象的个体状态数据和环境描述数据，基于预先训练的团战胜负预测模型，获得目标对象以团战对峙场景进行团战的团战胜负预测结果；其中，团战胜负预测模型是根据标注了团战胜负结果的多个团战训练样本训练得到的；

输出模块503，用于输出团战预警信息，其中，团战预警信息是根据团战胜负预测结果生成的。

在一种可能的实施方式中，本申请实施例中的预测团战胜负的装置还包括确定模块，用于：确定目标对象；根据目标对象的位置确定预定团战范围内的其它对象，以及确定其它对象中的各个对象的运动状态；若其它对象的数量和各个对象的运动状态符合团战对峙条件，则确定目标对象处于团战对峙场景。

在一种可能的实施方式中，所述确定模块用于：以目标对象的位置为中心，以第一距离确定第一级区域；分别以第一级区域内除目标对象外的M个对象中的每个对象的位置为中心，以对应的第二距离确定第二级区域，共确定M个第二级区域，M为正整数；以及若第一级区域与M个第二级区域组成的整体团战区域与预定团战范围之间的差异属于预定可忽略范围，则将整体团战区域中除目标对象外的对象确定为其它对象。

在一种可能的实施方式中，对象的个体状态数据包括该对象的个体属性数据、当前游戏状态数据和历史战绩数据；以及，环境描述数据包括各团战战队的专属环境描述数据和公共环境描述数据。

在一种可能的实施方式中，团战胜负预测模型通过模型训练模块训练得到，模型训练模块用于：获得团战训练样本集合，其中，每个团战训练样本均标注了参与团战的个团战战队的胜负结果；针对每个团战训练样本，根据每个对象的个体状态数据获得每个对象的个体特征向量，以及根据环境描述数据获得团战环境特征向量；根据每个团战训练样本中的每个对象的个体特征向量和团战环境特征向量，对初始的团战胜负预测模型进行训练，以得训练后的团战胜负预测模型。

在一种可能的实施方式中，模型训练模块用于：针对每个团战训练样本，根据该团战训练样本中的各个对象的个体特征向量确定各团战战队的协作特征向量，以及根据团战环境特征向量确定各个团战战队的专属环境特征向量和所有团战战队的公共环境特征向量；获得每个团战训练样本中的各团战战队的训练特征向量，其中，每个团战战队的训练特征向量包括该团战战队中的各个对象的个体特征向量、协作特征向量、专属环境特征向量和公共环境特征向量；以及根据所有团战训练样本中的各团战战队的训练特征向量对初始的团战胜负预测模型进行训练。

在一种可能的实施方式中，本申请实施例中的预测团战胜负的装置还包括样本标注模块，用于获得目标对象以团战对峙场景进行团战的团战胜负实际结果；若团战胜负实际结果与团战胜负预测结果不符，则根据团战胜负实际结果对本次团战进行标注以得到新的团战训练样本；其中，新的团战训练样本用于重新训练团战胜负预测模型。

前述的预测团战胜负的方法的实施例涉及的各步骤的所有相关内容均可以援引到本申请施例中的预测团战胜负的装置所对应的功能模块的功能描述，在此不再赘述。

本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本申请各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

基于同一发明构思，本申请实施例还提供一种控制设备，该控制设备例如是图2中的终端设备102或服务器102或机器人103。如图6所示，本申请实施例中的控制设备包括至少一个处理器601，以及与至少一个处理器601连接的存储器602和通信接口603，本申请实施例中不限定处理器601与存储器602之间的具体连接介质，图6中是以处理器601和存储器602之间通过总线600连接为例，总线600在图6中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线600可以分为地址总线、数据总线、控制总线等，为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

在本申请实施例中，存储器602存储有可被至少一个处理器601执行的指令，至少一个处理器601通过执行存储器602存储的指令，可以执行前述的故障检测方法中所包括的步骤。

其中，处理器601是控制设备的控制中心，可以利用各种接口和线路连接整个控制设备的各个部分，通过运行或执行存储在存储器602内的指令以及调用存储在存储器602内的数据，计算设备的各种功能和处理数据，从而对计算设备进行整体监控。可选的，处理器601可包括一个或多个处理单元，处理器601可集成应用处理器和调制解调处理器，其中，处理器601主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器601中。在一些实施例中，处理器601和存储器602可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。

处理器601可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器602作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器602可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器602是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器602还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。

通信接口603是能够用于进行通信的传输接口，可以通过通信接口603接收数据或者发送数据。以控制设备是图2中的机器人103为例，可以通过通信接口603接收其它设备发送的实时游戏数据，再以控制设备是图2中的终端设备101为例，可以通过该通信接口603获得其它设备(例如图2中的服务器102发送的团战胜负预测结果或团战预警信息)，等等。

基于同一发明构思，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行如前述的预测团战胜负的方法的步骤。

基于同一发明构思，本申请实施例还提供一种芯片系统，该芯片系统包括处理器，还可以包括存储器，用于实现如前述的预测团战胜负的方法的步骤。该芯片系统可以由芯片构成，也可以包含芯片和其他分立器件。

在一些可能的实施方式中，本申请实施例提供的预测团战胜负的方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在计算机上运行时，所述程序代码用于使所述计算机执行前文述描述的根据本发明各种示例性实施方式的预测团战胜负的方法中的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种预测团战胜负的方法，其特征在于，所述方法包括：

在目标对象处于团战对峙场景时，获得处于所述团战对峙场景中的各个对象的个体状态数据，以及获得所述团战对峙场景的环境描述数据；

根据各个对象的个体状态数据和所述环境描述数据，基于预先训练的团战胜负预测模型，获得所述目标对象以所述团战对峙场景进行团战的团战胜负预测结果；其中，所述团战胜负预测模型是根据标注了团战胜负结果的多个团战训练样本训练得到的；

输出团战预警信息，其中，所述团战预警信息是根据所述团战胜负预测结果生成的。

2.如权利要求1所述的方法，其特征在于，确定目标对象处于团战对峙场景，包括：

确定所述目标对象；

根据所述目标对象的位置确定预定团战范围内的其它对象，以及确定所述其它对象中的各个对象的运动状态；

若所述其它对象的数量和各个对象的运动状态符合团战对峙条件，则确定所述目标对象处于团战对峙场景。

3.如权利要求2所述的方法，其特征在于，根据所述目标对象的位置确定所述预定团战范围内的其它对象，包括：

以所述目标对象的位置为中心，以第一距离确定第一级区域；

分别以所述第一级区域内除所述目标对象外的M个对象中的每个对象的位置为中心，以对应的第二距离确定第二级区域，共确定M个第二级区域，M为正整数；

若所述第一级区域与所述M个第二级区域组成的整体团战区域与所述预定团战范围之间的差异属于预定可忽略范围，则将所述整体团战区域中除所述目标对象外的对象确定为所述其它对象。

4.如权利要求1所述的方法，其特征在于，对象的个体状态数据包括该对象的个体属性数据、当前游戏状态数据和历史战绩数据；以及，所述环境描述数据包括各团战战队的专属环境描述数据和公共环境描述数据。

5.如权利要求1-4任一所述的方法，其特征在于，所述团战胜负预测模型按照以下方式训练得到：

获得团战训练样本集合，其中，每个团战训练样本均标注了参与团战的各团战战队的胜负结果；

针对每个团战训练样本，根据每个对象的个体状态数据获得每个对象的个体特征向量，以及根据环境描述数据获得团战环境特征向量；

根据每个团战训练样本中的每个对象的个体特征向量和团战环境特征向量，对初始的团战胜负预测模型进行训练，以得训练后的团战胜负预测模型。

6.如权利要求5所述的方法，其特征在于，根据每个团战训练样本中的每个对象的个体特征向量和团战环境特征向量，对初始的团战胜负预测模型进行训练，包括：

针对每个团战训练样本，根据该团战训练样本中的各个对象的个体特征向量确定各团战战队的协作特征向量，以及根据团战环境特征向量确定各团战战队的专属环境特征向量和所有团战战队的公共环境特征向量；

获得每个团战训练样本中的各团战战队的训练特征向量，其中，每个团战战队的训练特征向量包括该团战战队中的各个对象的个体特征向量、协作特征向量、专属环境特征向量和公共环境特征向量；

根据所有团战训练样本中的各团战战队的训练特征向量对初始的团战胜负预测模型进行训练。

7.如权利要求1-4任一所述的方法，其特征在于，所述方法还包括：

获得所述目标对象以所述团战对峙场景进行团战的团战胜负实际结果；

若所述团战胜负实际结果与所述团战胜负预测结果不符，则根据所述团战胜负实际结果对本次团战进行标注以得到新的团战训练样本；其中，所述新的团战训练样本用于重新训练所述团战胜负预测模型。

8.一种预测团战胜负的装置，其特征在于，所述装置包括：

获得模块，用于在目标对象处于团战对峙场景时，获得处于所述团战对峙场景中的各个对象的个体状态数据，以及获得所述团战对峙场景的环境描述数据；

胜负预测模块，用于根据各个对象的个体状态数据和所述环境描述数据，基于预先训练的团战胜负预测模型，获得所述目标对象以所述团战对峙场景进行团战的团战胜负预测结果；其中，所述团战胜负预测模型是根据标注了团战胜负结果的多个团战训练样本训练得到的；

输出模块，用于输出团战预警信息，其中，所述团战预警信息是根据所述团战胜负预测结果生成的。

9.一种控制设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7任一所述的方法包括的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-7任一所述的方法包括的步骤。