KR102104007B1 - Apparatus and method for predicting result of game using predictive model of game result - Google Patents

Apparatus and method for predicting result of game using predictive model of game result Download PDF

Info

Publication number
KR102104007B1
KR102104007B1 KR1020180020845A KR20180020845A KR102104007B1 KR 102104007 B1 KR102104007 B1 KR 102104007B1 KR 1020180020845 A KR1020180020845 A KR 1020180020845A KR 20180020845 A KR20180020845 A KR 20180020845A KR 102104007 B1 KR102104007 B1 KR 102104007B1
Authority
KR
South Korea
Prior art keywords
game
prediction
result
analysis
match
Prior art date
Application number
KR1020180020845A
Other languages
Korean (ko)
Other versions
KR20190105171A (en
Inventor
이석준
조윤재
윤재웅
전재헌
송현정
전종수
Original Assignee
광운대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 광운대학교 산학협력단 filed Critical 광운대학교 산학협력단
Priority to KR1020180020845A priority Critical patent/KR102104007B1/en
Publication of KR20190105171A publication Critical patent/KR20190105171A/en
Application granted granted Critical
Publication of KR102104007B1 publication Critical patent/KR102104007B1/en

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation, e.g. linear programming, "travelling salesman problem" or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/01Social networking

Abstract

본 발명의 실시예에 따른 경기 결과 예측 장치는, 경기 결과를 예측하기 위하여 과거 시점에 따른 적어도 한번 이상의 경기와 관련된 적어도 하나의 분석 기준에 대하여 소셜 네트워크 분석(Social network analysis)을 통해 경기 분석 지표를 생성하는 경기 분석 지표 생성부, 상기 경기 분석 지표를 기반으로 미래 경기의 결과를 예측하기 위한 파라미터로서 상기 분석 기준과 관련된 미리 정의된 복수의 특성 값들을 이용하여 경기 결과 예측 모델을 생성하는 예측 모델 생성부 및 상기 생성된 예측 모델을 이용하여, 상기 경기 결과를 예측하는 경기 결과 예측부를 포함할 수 있다.The apparatus for predicting a match result according to an embodiment of the present invention uses the social network analysis to analyze the match index for at least one analysis criterion related to at least one match according to the past time point in order to predict the match result. Generating game analysis index generation unit, as a parameter for predicting the results of future games based on the game analysis index, generates a prediction model that generates a game result prediction model using a plurality of predefined characteristic values related to the analysis criteria A game result prediction unit for predicting the game result may be included by using the unit and the generated prediction model.

Figure R1020180020845
Figure R1020180020845

Description

경기 결과 예측 모델을 이용한 경기 결과 예측 장치 및 방법 {Apparatus and method for predicting result of game using predictive model of game result}Apparatus and method for predicting result of game using predictive model of game result}

본 발명은 경기 결과 예측 모델 생성 장치, 경기 결과 예측 장치 및 경기 결과 예측 방법에 관한 것이다. 보다 상세하게는 본 발명은 선형 회귀 분석, 경사 강하법 및 그래디언트 부스팅(Gradient boosting)을 통해 경기 결과를 예측하는 장치 및 방법에 관한 것이다.The present invention relates to a game result prediction model generating device, a game result prediction device, and a game result prediction method. More specifically, the present invention relates to an apparatus and method for predicting a game result through linear regression analysis, gradient descent, and gradient boosting.

스포츠 승률 분야에 있어서 장차 발생하게 될 승리 및 패배 등에 대해서 많은 변수가 작용하기 때문에 쉽게 승부 결과에 대해 예측할 수 없다. In the field of sports win rate, it is not easy to predict the outcome of the game because many variables act on the future victory and defeat.

이러한 부정확 승부에 대한 예측은 해당 경기, 해당 경기팀과 선수등에 대한 객관적인 판단을 근거로 하지 못하게 때문에 정확성이 낮아질 수 있는 한계가 있다.Prediction of this inaccurate match is limited because accuracy cannot be lowered because it cannot be based on objective judgments about the match, the match team, and the players.

한국 등록 특허 제10-1585399호 (등록)Korean Registered Patent No. 10-1585399 (Registration)

상기와 같은 문제점을 위하여, 본 발명의 경기 결과 예측 모델을 이용한 경기 결과 예측 장치 및 방법은 소셜 네트워크 분석(Social Network Analysis)를 통해 과거 경기에 대한 경기 결과 지표를 생성하여 학습하고, 이를 기반으로 경기 결과 예측 모델을 생성함으로써 예측 정확도를 향상시키도록 하는 것을 목적으로 한다.For the above problems, the apparatus and method for predicting a game result using the game result prediction model of the present invention generate and learn a game result index for a past game through social network analysis, and based on this It is an object of the present invention to improve prediction accuracy by generating a prediction model.

상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 경기 결과 예측 모델 생성 장치는 경기 결과를 예측하기 위하여 과거 시점에 따른 적어도 한번 이상의 경기 결과에 따라 경기와 관련된 적어도 하나의 분석 기준에 대하여 소셜 네트워크 분석(Social network analysis)을 통해 경기 분석 지표를 생성하는 경기 분석 지표 생성부 및 상기 경기 분석 지표를 기반으로 미래 경기의 결과를 예측하기 위한 파라미터로서 상기 분석 기준과 관련된 미리 정의된 복수의 특성 값들을 이용하여 경기 결과 예측 모델을 생성하는 예측 모델 생성부를 포함할 수 있다.The apparatus for generating a game result prediction model according to an embodiment of the present invention for achieving the above object is a social network for at least one analysis criterion related to a game according to at least one game result according to a past time point in order to predict a game result As a parameter for predicting the result of the future game based on the game analysis index generation unit and the game analysis index generation unit for generating a game analysis index through social network analysis, a plurality of predefined characteristic values related to the analysis criterion It may include a prediction model generating unit for generating a prediction model using the match results.

또한, 상기 경기는 축구 경기이고, 상기 분석 기준은 상기 시점에 따른 상기 축구 경기에 참여한 선수들에 의한 패스(pass) 경로 데이터를 포함할 수 있다. In addition, the game is a soccer game, and the analysis criteria may include pass path data by players participating in the soccer game according to the viewpoint.

또한, 상기 예측 모델 생성부는 상기 패스 경로 데이터 및 상기 정의된 특성 값들을 고려하여 예측 패스 횟수를 산출하는 예측 패스 횟수 산출부를 더 포함할 수 있다.In addition, the prediction model generation unit may further include a prediction path number calculation unit for calculating the number of prediction paths in consideration of the path path data and the defined characteristic values.

또한, 상기 예측 패스 횟수 산출부는 상기 특성 값 각각의 가중치를 적용함에 따라 상기 예측 패스 횟수를 산출하되, 상기 특성 값 각각의 가중치는 상기 과거 시점에 따른 경기에서의 실제 패스 횟수와의 오차 값을 비용 함수로 하는 경사 하강법(Gradient descent)을 이용하여 결정할 수 있다.In addition, the predicted pass number calculating unit calculates the predicted pass number by applying the weight of each of the characteristic values, and the weight of each of the characteristic values costs an error value from the actual number of passes in the game according to the past time point It can be determined by using gradient descent as a function.

또한, 상기 경기 분석 지표를 생성하기 위한 상기 과거 시점에 따른 경기 결과와 관련된 적어도 하나 이상의 데이터들을 수집하는 데이터 수집부를 더 포함할 수 있다.In addition, a data collection unit for collecting at least one or more data related to the result of the game according to the past time point for generating the game analysis index may be further included.

상기 목적을 달성하기 위한 본 발명의 또 다른 일 실시예에 따른 경기 결과 예측 장치는, 경기 결과를 예측하기 위하여 과거 시점에 따른 적어도 한번 이상의 경기 결과에 따라 경기와 관련된 적어도 하나의 분석 기준에 대하여 소셜 네트워크 분석(Social network analysis)을 통해 경기 분석 지표를 생성하는 경기 분석 지표 생성부, 상기 경기 분석 지표를 기반으로 미래 경기의 결과를 예측하기 위한 파라미터로서 상기 분석 기준과 관련된 미리 정의된 복수의 특성 값들을 이용하여 경기 결과 예측 모델을 생성하는 예측 모델 생성부 및 상기 생성된 예측 모델을 이용하여, 상기 경기 결과를 예측하는 경기 결과 예측부를 포함할 수 있다.The apparatus for predicting a match result according to another embodiment of the present invention for achieving the above object is configured to socialize at least one analysis criterion related to a match according to at least one match result according to a past time point in order to predict a match result A game analysis index generator that generates a game analysis index through social network analysis, a plurality of predefined characteristic values related to the analysis criterion as parameters for predicting the results of future games based on the game analysis index It may include a prediction model generating unit for generating a prediction model of the match results using the and the result prediction unit for predicting the match results using the generated prediction model.

또한, 상기 경기는 축구 경기이고, 상기 분석 기준은 상기 과거 시점에 따른 경기에 참여한 선수들에 의한 패스(pass) 경로 데이터를 포함할 수 있다. In addition, the game is a soccer game, and the analysis criteria may include pass path data by players participating in the game according to the past time point.

또한, 상기 예측 모델 생성부는 상기 패스 경로 데이터 및 상기 정의된 특성 값들을 고려하여 예측 패스 횟수를 산출하는 예측 패스 횟수 산출부를 더 포함할 수 있고, 상기 특성 값들은 선수 간 패스 경로, 포지션, 랭킹(ranking), 팀별 평균 패스 성공률, 포지션 간 패스 경로, 매개 중심성(betweenness centrality), 선수 간 패스 성공률 중 적어도 하나일 수 있다.In addition, the prediction model generation unit may further include a prediction path number calculation unit that calculates a prediction path number in consideration of the path path data and the defined characteristic values, and the characteristic values are pass paths, positions, and rankings between players ( ranking), average pass success rate by team, pass path between positions, intermediateness, and pass success rate between players.

또한, 상기 예측 패스 횟수 산출부는 상기 특성 값 각각의 가중치를 적용함에 따라 상기 예측 패스 횟수를 산출할 수 있고, 상기 특성 값 각각의 가중치는 상기 과거 시점에 따른 경기에서의 실제 패스 횟수와의 오차 값을 비용 함수로 하는 경사 하강법(Gradient descent)을 이용하여 결정할 수 있다.In addition, the predicted pass number calculator may calculate the predicted pass number by applying the weight of each of the characteristic values, and the weight of each of the characteristic values is an error value from the actual number of passes in the game according to the past time point It can be determined by using gradient descent as a function of cost.

또한, 상기 예측 패스 횟수 산출부는 선형 회귀 분석 및 상기 과거 시점에 따른 경기에서의 실제 패스 횟수와의 오차 값을 비용 함수로 하는 경사 하강법(Gradient descent)을 이용하여 상기 예측 패스 횟수를 산출할 수 있다. In addition, the predicted pass number calculator may calculate the predicted pass number using a linear regression analysis and a gradient descent that uses an error value from an actual number of passes in the game according to the past time as a cost function. have.

또한, 상기 예측 패스 횟수 산출부는 선형 회귀 분석 및 상기 과거 시점에 따른 경기에서의 실제 패스 횟수와의 오차 값을 비용 함수로 하는 경사 하강법(Gradient descent)을 이용하여 상기 예측 패스 횟수를 산출할 수 있다.In addition, the predicted pass number calculator may calculate the predicted pass number using a linear regression analysis and a gradient descent that uses an error value from an actual number of passes in the game according to the past time as a cost function. have.

또한, 상기 경기 결과 예측부는 상기 경기 분석 지표를 학습하고, 상기 예측 모델에 따른 팀별 예측 패스 횟수 및 승부 결과를 고려하여 상기 경기 결과를 예측할 수 있다.In addition, the game result prediction unit may learn the game analysis index and predict the game result in consideration of the number of prediction passes for each team and the game result according to the prediction model.

또한, 상기 분석 기준은 상기 과거 시점에 따른 경기의 승부 결과에 대한 데이터를 더 포함할 수 있다.In addition, the analysis criterion may further include data on the result of the game match according to the past time point.

상기 목적을 달성하기 위한 본 발명의 또 다른 일 실시예에 따른 경기 결과 예측 방법은 경기 결과를 예측하기 위하여 과거 시점에 따른 적어도 한번 이상의 경기 결과에 따라 경기와 관련된 적어도 하나의 분석 기준에 대하여 소셜 네트워크 분석(Social network analysis)을 통해 경기 분석 지표를 생성하는 단계, 상기 경기 분석 지표를 기반으로 미래 경기의 결과를 예측하기 위한 파라미터로서 상기 분석 기준과 관련된 미리 정의된 복수의 특성 값들을 이용하여 경기 결과 예측 모델을 생성하는 단계 및 상기 생성된 예측 모델을 이용하여, 상기 경기 결과를 예측하는 단계를 포함할 수 있다.The method for predicting a match result according to another embodiment of the present invention for achieving the above object is a social network for at least one analysis criterion related to a match according to at least one match result according to a past time point in order to predict a match result Generating a game analysis index through social network analysis, and using a plurality of predefined characteristic values related to the analysis criteria as a parameter for predicting the outcome of the future game based on the game analysis index The method may include generating a prediction model and predicting the result of the game using the generated prediction model.

또한, 상기 경기는 축구 경기이고, 상기 분석 기준은 상기 과거 시점에 따른 경기에 참여한 선수들에 의한 패스(pass) 경로 데이터 및 상기 경기 승부 결과에 대한 데이터를 포함하며, 상기 특성 값들은 선수 간 패스 경로, 포지션, 랭킹(ranking), 팀별 평균 패스 성공률, 포지션 간 패스 경로, 매개 중심성(betweenness centrality), 선수 간 패스 성공률 중 적어도 하나일 수 있다.In addition, the match is a football match, and the analysis criterion includes pass route data by players participating in the match according to the past time point and data on the match result, and the characteristic values are passed between players It may be at least one of path, position, ranking, average pass success rate for each team, pass path between positions, intermediateness centrality, and pass success rate between players.

또한, 상기 예측 모델 생성부는 상기 패스 경로 데이터 및 상기 정의된 특성 값각각의 가중치를 고려하여 예측 패스 횟수를 산출하는 예측 패스 횟수 산출부를 더 포함할 수 있고, 상기 특성 값 각각의 가중치는 상기 미래 경기에서의 실제 패스 횟수와의 오차 값을 비용 함수로 하는 경사 하강법(Gradient descent)을 이용하여 결정할 수 있다.In addition, the prediction model generation unit may further include a prediction path number calculation unit for calculating the number of prediction paths in consideration of the weights of each of the path path data and the defined characteristic values, and the weight of each of the characteristic values is the future game It can be determined by using gradient descent, which is an error value from the actual number of passes in.

또한, 상기 경기 분석 지표를 생성하기 위한 상기 과거 시점에 따른 경기 결과와 관련된 적어도 하나 이상의 데이터들을 수집하는 단계를 더 포함할 수 있다.In addition, the method may further include collecting at least one or more data related to the result of the game according to the past time point for generating the game analysis index.

또한, 본 발명의 또 다른 목적을 달성하기 위하여, 본 발명의 경기 결과 예측 방법이 컴퓨터에서 수행하기 위한 컴퓨터에서 판독 가능한 프로그램이 기록된 저장 매체를 제공한다.In addition, in order to achieve another object of the present invention, there is provided a storage medium in which a computer-readable program is recorded for the computer to perform the method for predicting a game result of the present invention.

본 발명의 경기 결과 예측 모델을 이용한 경기 결과 예측 장치 및 방법은 타 팀 구기 종목에 대한 예측을 위하여 적용 가능하며, 스포츠 산업 분야에서도 적용이 가능하다. 특히, 감독, 코치진(coaching staff)은 본 발명의 경기 결과 예측 모델을 이용한 경기 결과 예측 장치 및 방법을 통해 앞으로 발생할 미리 경기의 시뮬레이션이 가능하며, 예측 결과에 따른 새로운 전략 수립이 가능하다.The apparatus and method for predicting game results using the game result prediction model of the present invention can be applied for prediction of other team ball games, and can also be applied in the sports industry field. In particular, the coaching and coaching staff can simulate a game that will occur in the future through an apparatus and method for predicting a game result using the game result prediction model of the present invention, and establish a new strategy according to the prediction result.

또한, 프로 축구 구단은 선수 개개인 별로 나타나는 예측 모델의 특성 값을 통해 각 선수에 대한 정량적이 평가를 바탕으로 선수의 가치를 평가할 수 있다.In addition, professional soccer teams can evaluate the value of players based on quantitative evaluation of each player through the characteristic values of the predictive models that appear for each player.

도1은 본 발명의 일 실시예에 따른 경기 결과 예측 장치의 구성을 개략적으로 도시한 블록도이다.
도2는 본 발명의 일 실시예에 따른 패스 경로 데이터를 도시한 도면이다.
도3은 본 발명의 일 실시예에 따른 경기 분석 지표를 도시한 도면이다.
도4는 본 발명의 일 실시예에 따라 복수의 특성 값들을 정의한 것을 예시하여 나타내는 표이다.
도5는 본 발명의 일 실시예에 따른 경기 결과 예측 모델을 나타낸다.
도6은 본 발명의 일 실시예에 따른 예측 결과를 나타내는 표이다.
도7은 본 발명의 일 실시예에 따른 경기 결과 예측 방법을 시간의 흐름에 따라 도시한 흐름도이다.
1 is a block diagram schematically showing the configuration of a game result prediction apparatus according to an embodiment of the present invention.
2 is a diagram illustrating path path data according to an embodiment of the present invention.
3 is a view showing a game analysis index according to an embodiment of the present invention.
4 is a table illustrating an example in which a plurality of characteristic values are defined according to an embodiment of the present invention.
Figure 5 shows a game result prediction model according to an embodiment of the present invention.
6 is a table showing prediction results according to an embodiment of the present invention.
7 is a flowchart illustrating a method for predicting a match result according to an embodiment of the present invention over time.

본 발명과 본 발명의 동작상의 이점 및 본 발명의 실시에 의하여 달성되는 목적을 충분히 이해하기 위해서는 본 발명의 바람직한 실시예를 예시하는 첨부 도면 및 첨부 도면에 기재된 내용을 참조하여야만 한다. In order to fully understand the present invention, the operational advantages of the present invention, and the objects achieved by the practice of the present invention, reference should be made to the accompanying drawings and the contents described in the accompanying drawings, which illustrate preferred embodiments of the present invention.

이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시예를 설명함으로써, 본 발명을 상세히 설명한다. 그러나, 본 발명은 여러 가지 상이한 형태로 구현될 Hereinafter, the present invention will be described in detail by explaining preferred embodiments of the present invention with reference to the accompanying drawings. However, the present invention can be implemented in several different forms.

수 있으며, 설명하는 실시예에 한정되는 것이 아니다. 그리고, 본 발명을 명확하게 설명하기 위하여 설명과 관계 없는 부분은 생략되며, 도면의 동일한 참조부호는 동일한 부재임을 나타낸다. It may, and is not limited to the described embodiment. In addition, in order to clearly describe the present invention, parts irrelevant to the description are omitted, and the same reference numerals in the drawings indicate the same members.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라, 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈", "블록"등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로구현될 수 있다.Throughout the specification, when a part “includes” a certain component, it means that the component may further include other components, not to exclude other components, unless otherwise stated. In addition, terms such as "... part", "... group", "module", and "block" described in the specification mean a unit that processes at least one function or operation, which is hardware or software or hardware. And software.

이하, 본 발명의 일 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다.Hereinafter, an embodiment of the present invention will be described in detail with reference to the accompanying drawings. In addition, in describing the present invention, when it is determined that detailed descriptions of related well-known configurations or functions may obscure the subject matter of the present invention, detailed descriptions thereof may be omitted.

이하에서는 본 발명의 실시예에 따른 경기 결과 예측 장치의 구성을 관련된 도면을 참조하여 상세히 설명한다. 본 발명의 실시예에 따른 경기 결과 예측 장치는 축구 경기 승부 결과를 예측하기 위한 장치일 수 있다. 그러나, 게임 경기의 종목은 이에 한정되지 않고, 농구, 족구, 하키 등 다양한 스포츠 게임 및 게임 경기에 적용될 수 있을 것이다. 이하 본 발명의 경기 결과 예측 장치의 동작원리에 대하여 보다 용이한 이해를 돕기 위하여 경기 종목을 일 실시예에 따른 축구 경기로 예시하여 설명하도록 한다.Hereinafter, a configuration of a game result prediction apparatus according to an embodiment of the present invention will be described in detail with reference to related drawings. The apparatus for predicting a match result according to an embodiment of the present invention may be a device for predicting a result of a soccer match. However, the event of the game game is not limited to this, and may be applied to various sports games and game games such as basketball, foot ball, and hockey. Hereinafter, in order to facilitate understanding of the operation principle of the apparatus for predicting game results of the present invention, a game event will be exemplified as a soccer game according to an embodiment.

도1은 본 발명의 일 실시예에 따른 경기 결과 예측 장치의 구성을 개략적으로 도시한 블록도이다. 도1을 참고하면, 본 발명의 실시예에 따른 경기 결과 예측 장치는 데이터 수집부(100), 경기 분석 지표 생성부(200), 예측 모델 생성부(300) 및 경기 결과 예측부(400)를 포함할 수 있다.1 is a block diagram schematically showing the configuration of a game result prediction apparatus according to an embodiment of the present invention. Referring to FIG. 1, the apparatus for predicting a match result according to an embodiment of the present invention includes a data collection unit 100, a match analysis index generation unit 200, a prediction model generation unit 300, and a match result prediction unit 400. It can contain.

본 발명의 실시예에 따른 데이터 수집부(100)는 축구 경기 결과를 예측하기 위해 현재 시점으로부터 이전 시점에 이루어졌던 과거의 적어도 한번 이상의 축구 경기에 대한 데이터들을 수집한다. 이때, 데이터 수집부(100)가 수집하는 축구 경기 데이터는 각 축구 경기를 참여한 선수들간 또는 팀별 패스(pass) 경로 데이터, 팀랭킹(team ranking) 데이터 및 스쿼드(squad) 데이터 등을 포함할 수 있다.The data collection unit 100 according to an embodiment of the present invention collects data on at least one soccer game in the past, which was performed from a current time point to a previous time point, in order to predict a soccer game result. At this time, the soccer game data collected by the data collection unit 100 may include pass path data, team ranking data, squad data, etc. between players participating in each soccer game or by team. .

또한, 본 발명의 실시예에 따른 경기 분석 지표 생성부(200)는 축구 경기를 예측하기 위해 상기 이전 시점에 이루어졌던 과거의 적어도 한번 이상의 축구 경기 결과에 따라 축구 경기와 관련된 적어도 하나의 분석 기준에 대하여 소셜 네트워크 분석(Social network analysis)을 통해 경기 분석 지표를 생성할 수 있다. In addition, the game analysis index generation unit 200 according to an embodiment of the present invention is based on at least one analysis criterion related to a soccer game according to the results of at least one soccer game performed in the previous time point in order to predict a soccer game. About the social network analysis (Social network analysis) it is possible to generate an analysis index.

본 발명의 일 실시예에 따른 분석 기준은 축구 경기를 예측하는 시점 이전까지의 축구 경기에 참여한 선수들 또는 팀별 패스 경로 데이터일 수 있다. 즉, 경기 분석 지표 생성부(200)는 상기 패스 경로 데이터를 이용하여 과거 축구 경기 결과를 분석하고, 그에 따라 이후 시점에 수행될 축구 경기의 결과를 예측할 수 있도록 경기 분석 지표를 생성할 수 있다. 상기 패스 경로 데이터에 대해 보다 상세한 설명을 위하여, 아래 도2를 참고하여 설명하도록 한다.The analysis criterion according to an embodiment of the present invention may be pass path data for each player or team participating in the soccer game until a point before predicting the soccer game. That is, the game analysis index generation unit 200 may generate a game analysis index so as to analyze the results of past soccer games using the pass path data and to predict the result of the soccer game to be performed at a later time. For more detailed description of the pass path data, it will be described with reference to FIG. 2 below.

도2는 본 발명의 일 실시예에 따른 패스 경로 데이터를 도시한 도면이다. 도2에 도시된 바와 같이, 본 발명의 일 예에 따른 패스 경로 데이터는 축구 경기 내의 각 선수들 간 주고 받은 패스 횟수가 기록되어 있다. 본 발명의 경기 분석 지표 생성부는 이렇게 기록된 패스 횟수들을 포함하는 패스 경로 데이터를 기반으로 소셜 네트워크 분석을 통해 축구 경기의 결과를 예측하는데 이용되는 과거 축구 경기들 각각에서의 각 팀 별 경기 분석 지표를 생성한다. 2 is a diagram illustrating path path data according to an embodiment of the present invention. As shown in FIG. 2, the pass path data according to an example of the present invention records the number of passes exchanged between each player in a soccer game. Match analysis index generation unit of the present invention based on the pass path data including the number of passes recorded in this way, the social network analysis is used to predict the result of a football match, the game analysis index for each team in each of the past football matches To create.

도3은 본 발명의 일 실시예에 따른 경기 분석 지표를 도시한 도면이다. 경기 분석 지표의 일 실시예에 따른 도3을 참고하면, 본 발명의 경기 분석 지표는 패스 경로 데이터에 따른 각 팀별 또는 각 선수들 간 주고 받은 패스 횟수와 축구 게임의 기 설정된 각 유형별 승부 결과가 기록된 지표(ANI, Actual Network Indicators)로서 생성될 수 있다. 예컨대, 경기 분석 지표에서 각 축구 경기의 승부 결과는 도3의 표 '결과' 열(row)에 도시된 바와 같이, 패배는 0, 승리는 1, 무승부는 2로 표현될 수 있다.3 is a view showing a game analysis index according to an embodiment of the present invention. Referring to FIG. 3 according to an embodiment of the game analysis index, the game analysis index of the present invention records the number of passes exchanged between each team or each player according to the pass path data, and the result of each type of soccer game. It can be generated as real indicators (ANI). For example, in the game analysis index, as a result of each soccer match, as shown in the row of the table 'Results' in FIG. 3, 0 for defeat, 1 for win, and 2 for draw.

다음으로, 본 발명의 실시예에 따른 예측 모델 생성부(300)는 상기 분석 지표 생성부(200)로부터 생성된 경기 분석 지표를 기반으로 이후 시점에 발생될 미래 경기의 결과를 예측하기 위한 파라미터로서 상기 분석 기준과 관련된 미리 정의된 복수의 특성 값들을 이용하여 경기 결과 예측 모델을 생성한다. 여기서, 상기 복수의 특성 값들은 도4에 도시된 바와 같이 정의될 수 있다. Next, the prediction model generation unit 300 according to an embodiment of the present invention is a parameter for predicting a result of a future game to be generated at a later time point based on the game analysis index generated by the analysis index generation unit 200 A game prediction model is generated using a plurality of predefined characteristic values related to the analysis criteria. Here, the plurality of characteristic values may be defined as illustrated in FIG. 4.

도4는 본 발명의 일 실시예에 따라 복수의 특성 값들을 정의한 것을 예시하여 나타내는 표이다. 예컨대 도4에 따르면, 본 발명의 일 실시예에 따른 특성 값들은 선수 간 패스 경로, 포지션(position), 랭킹(ranking), 팀의 평균 패스 성공률, 포지션 간 패스 경로, 매개 중심성(betweenness centrality), 선수 간 패스 성공률으로 구성될 수 있다. 이때, 선수 간 패스 경로는 과거 경기에서 두 선수 간에 주고 받은 평균 패스 횟수로 정의하여 나타낼 수 있고, 포지션은 패스를 주고 받는 두 선수의 포지션이 같으면 0으로 표시하고, 아니면 1로 정의하여 나타낼 수 있으며, 랭킹은 상대 팀의 랭킹이 높으면 0, 아니면 1로 정의하여 나타낼 수 있고, 팀의 평균 패스 성공률은 상대 팀에 비해 팀의 패스 성공률이 높으면 0, 아니면 1로 정의하여 나타낼 수 있으며, 매개 중심성은 패스를 주고 받는 두 선수의 평균 매개 중심성으로 정의되어 표시될 수 있고, 선수 간 패스 성공률은 특정 선수 간의 평균 패스 성공률로서 정의되어 입력될 수 있다. 이렇게, 입력되는 각 특성 값들은 예측 모델 생성부(300)의 예측 패스 횟수를 산출하는데 이용될 수 있다.4 is a table illustrating an example in which a plurality of characteristic values are defined according to an embodiment of the present invention. For example, according to FIG. 4, characteristic values according to an embodiment of the present invention include pass paths between players, position, ranking, average pass success rate of teams, pass paths between positions, intermediate centrality, It can be composed of the pass success rate between players. At this time, the pass path between players can be defined as the average number of passes exchanged between two players in the past game, and the position is indicated by 0 if the positions of the two players exchanging passes are the same, otherwise defined by 1. , Ranking can be defined as 0 or 1 if the opposing team's ranking is high, and the average pass success rate of the team can be defined as 0 or 1 if the team's pass success rate is higher than the opposing team. It may be defined and displayed as the average median centrality of two players exchanging passes, and the pass success rate between players may be defined and input as an average pass success rate between specific players. In this way, each inputted characteristic value may be used to calculate the number of prediction passes of the prediction model generator 300.

일 실시예에 따르면, 본 발명의 예측 모델 생성부는 패스 경로 데이터 및 상술한 바와 같이 미리 정의된 특성 값들을 고려하여 예측 패스 횟수를 산출하는 예측 패스 횟수 산출부(미도시)를 더 포함할 수 있다. 보다 구체적으로 설명하면, 본 발명의 실시예에 따른 예측 패스 횟수 산출부는 도4와 같은 각 팀의 특성 값들을 이용하여, 아래 선형 회귀식을 이용한 <수학식1>을 통해 예측 패스 횟수를 산출할 수 있다.According to an embodiment, the prediction model generation unit of the present invention may further include a prediction path number calculation unit (not shown) for calculating the number of prediction paths in consideration of path path data and predefined characteristic values as described above. . In more detail, the prediction pass count calculating unit according to an embodiment of the present invention calculates the prediction pass count through <Equation 1> using the linear regression equation below using the characteristic values of each team as shown in FIG. You can.

Figure 112018018470182-pat00001
Figure 112018018470182-pat00001

상기 <수학식1>의 Y는 예측 패스 횟수를 의미하고,

Figure 112018018470182-pat00002
는 상기 각각의 특성 값들을 나타내며,
Figure 112018018470182-pat00003
는 각 특성 값들에 해당하는 가중치이다. 여기서, 각 특성 값의 가중치(
Figure 112018018470182-pat00004
)를 추정하기 위해 본 발명의 일 실시예에 따른 예측 패스횟수 산출부는 확률적 경사 하강법(Gradient descent)를 이용한다. 또한, 본 발명의 예측 패스 횟수 산출부는 축구 경기 결과를 예측하기 이전 시점에 발생된 축구 경기에서의 실제 패스 횟수와의 오차를 비용 함수로 하며, 이에 따른 확률적 경사 하강법을 통한 가중치 산출은 예측하는 예측 패스 횟수와 실제 이전 축구 경기들에 따른 실제 패스 횟수와의 오차를 최소화하기 위한 것이다. 본 발명의 각 특성 값에 따른 가중치(
Figure 112018018470182-pat00005
)는 아래 <수학식2>를 통해 산출될 수 있다.Y of <Equation 1> refers to the number of prediction passes,
Figure 112018018470182-pat00002
Indicates the respective characteristic values,
Figure 112018018470182-pat00003
Is a weight corresponding to each characteristic value. Here, the weight of each characteristic value (
Figure 112018018470182-pat00004
In order to estimate), the prediction pass count calculator according to an embodiment of the present invention uses a stochastic gradient descent method. In addition, the predicted number of passes calculation unit of the present invention uses the error of the actual number of passes in the football match generated at a time before predicting the result of the football match as a function of cost, and the weight calculation through the stochastic gradient descent method is predicted accordingly The goal is to minimize the error between the predicted number of passes and the actual number of passes due to previous football matches. Weight according to each characteristic value of the present invention (
Figure 112018018470182-pat00005
) Can be calculated through <Equation 2> below.

Figure 112018018470182-pat00006
Figure 112018018470182-pat00006

상기 <수학식2>의

Figure 112018018470182-pat00007
는 본 발명의 각 특성 값에 따른 가중치(
Figure 112018018470182-pat00008
)이며,
Figure 112018018470182-pat00009
는 하강의 속도를 결정하는 학습 속도이고,
Figure 112018018470182-pat00010
Figure 112018018470182-pat00011
의 기울기이며,
Figure 112018018470182-pat00012
는 t시점에 랜덤으로 선정되고 입력변수와 출력변수로 구성된 표본데이터 (
Figure 112018018470182-pat00013
)에서의 손실 값이다. 여기서 표본데이터는 각 팀의 각 선수들간 주고받은 패스횟수일 수 있으며, 손실 값은 아래의 <수학식3>과 같이 정의되며, 확률적 경사 하강법은 손실 값을 최소화하는 것을 목적으로
Figure 112018018470182-pat00014
를 업데이트하게 된다. 만약 손실 값이 0으로 수렴하게 되거나, 특정된 반복횟수가 모두 완료되었을 때 확률적 경사 하강법은 최적화 과정을 종료하게 된다.Equation 2 above
Figure 112018018470182-pat00007
Is a weight according to each characteristic value of the present invention (
Figure 112018018470182-pat00008
),
Figure 112018018470182-pat00009
Is the learning rate that determines the rate of descent,
Figure 112018018470182-pat00010
The
Figure 112018018470182-pat00011
Is the slope of,
Figure 112018018470182-pat00012
Is randomly selected at time t and sample data consisting of input and output variables (
Figure 112018018470182-pat00013
). Here, the sample data may be the number of passes exchanged between each player of each team, and the loss value is defined as <Equation 3> below, and the stochastic gradient descent method aims to minimize the loss value.
Figure 112018018470182-pat00014
Will update. If the loss value converges to 0 or the specified number of iterations are all completed, the stochastic gradient descent ends the optimization process.

Figure 112018018470182-pat00015
Figure 112018018470182-pat00015

본 발명의 예측 모델 생성부(300)는 이렇게 예측 패스 횟수 산출을 반복적으로 수행함에 따라 예측된 패스 네트워크(pass network)를 경기 결과 예측 모델(PNI, predicted network indicator)로 생성한다. 도5는 본 발명의 일 실시예에 따른 경기 결과 예측 모델을 나타낸다.The predictive model generator 300 of the present invention generates a predicted pass network as a predicted network indicator (PNI) as a result of the prediction by repeatedly performing the calculation of the number of predicted passes. Figure 5 shows a game result prediction model according to an embodiment of the present invention.

도5에 도시된 경기 결과 예측 모델에 따른 표는 축구 경기 결과 예측을 위해 분석 대상으로서 분석하였던 각 축구 경기의 각 팀 별 예측 특성 값들을 나타낸다. The table according to the game result prediction model shown in FIG. 5 shows predictive characteristic values for each team of each soccer game analyzed as an analysis object for prediction of the soccer game result prediction.

다음으로, 본 발명의 실시예에 따른 경기 결과 예측부(400)는 예측 모델 생성부(300)로부터 생성된 예측 모델을 이용하여 축구 경기 결과를 예측할 수 있다. 여기서 상기 축구 경기 결과는 축구 게임의 승패를 예측하는 승부 결과를 의미한다. 도1에 도시된 바와 같이, 본 발명의 경기 결과 예측부(400)는 경기 분석 지표를 기반으로 학습하여, 예측 모델을 토대로 경기 결과를 예측하며, 이후 추가 또는 새로운 데이터를 수집하여 경기 결과를 예측할 때, 상기 예측 모델과 분석 지표를 새로운 분석 지표로서 학습하여, 새롭게 생성된 예측 모델을 이용하여 경기 결과를 예측할 수 있다.Next, the match result prediction unit 400 according to an embodiment of the present invention may predict a soccer match result using the prediction model generated by the prediction model generation unit 300. Here, the result of the soccer game refers to a result of the game predicting the outcome of the soccer game. As shown in FIG. 1, the game result prediction unit 400 of the present invention learns based on the game analysis index, predicts the game result based on the prediction model, and then collects additional or new data to predict the game result. At this time, the prediction model and the analysis index can be learned as a new analysis index, and the result of the game can be predicted using the newly generated prediction model.

예를 들어, 경기를 예측하는 시점이 2018년인 경우, 예를 들어 2014년부터 2017년까지의 경기들을 분석 대상으로 하여 경기 분석 지표를 생성하고, 이를 통해 2018년 이후의 경기 결과를 예측하며, 그 이후 시점인 2019년에 또 다시 경기의 결과를 예측하는 경우, 이전 시점인 2018년에 생성했던 경기 분석 지표를 학습하여, 2018년 경기에 대한 데이터를 추가 분석하여 경기 분석 지표를 생성하고, 그에 따라 2019년 이후의 경기 결과를 예측하도록 구현될 수 있다.For example, if the time to predict the game is 2018, for example, the game analysis index is generated by analyzing the games from 2014 to 2017, and through this, the result of the game after 2018 is predicted. When predicting the results of the game again in 2019 at a later point in time, learn the game analysis indicators created in 2018, the previous point, and further analyze the data for 2018 games to generate the game analysis indicators, and accordingly It can be implemented to predict the outcome of the game after 2019.

도6은 본 발명의 일 실시예에 따른 예측 결과를 나타내는 표이다. 본 발명의 실시예에 따른 경기 결과 예측부(400)는 그래디언트 부스팅(Gradient boosting)을 이용하여 축구 경기의 승/패를 시뮬레이션 할 수 있다. 보다 상세하게는, 본 발명의 경기 결과 예측부(400)는 경기 분석 지표 생성부(200)에 의해 생성된 경기 분석 지표를 이용하여 학습하고, 예측 모델 생성부(300)로부터 생성된 경기 결과 예측 모델의 특성 값들을 경기의 결과를 예측하기 위한 시뮬레이션 입력 값으로 하여 경기의 결과를 예측할 수 있다. 도6에 도시된 표는 본 발명의 결과 예측 모형의 각 시즌 별 및 라운드 별 정확도에 따른 테이블을 나타내며, 본 발명의 결과 예측 성능의 성능 비교를 위해 종래에 사용되어 왔던 지지 벡터 머신, 인공신경망, 사례기반추론, 의사결정나무, 로지스틱(logistic) 회귀분석 등과 같은 분류기들을 이용하여 예측한 경기 결과를 함께 도시하였다.6 is a table showing prediction results according to an embodiment of the present invention. The match result predicting unit 400 according to an embodiment of the present invention may simulate the win / loss of a soccer match using gradient boosting. In more detail, the game result prediction unit 400 of the present invention learns using the game analysis index generated by the game analysis index generation unit 200, and predicts the game result generated from the prediction model generation unit 300. The result of the game can be predicted by using the characteristic values of the model as the simulation input value for predicting the result of the game. The table shown in FIG. 6 shows a table according to each season and round accuracy of the result prediction model of the present invention, and the support vector machine, artificial neural network, which has been conventionally used to compare the performance of the prediction result of the present invention, Results predicted using classifiers such as case-based reasoning, decision trees, and logistic regression are also shown.

도7은 본 발명의 일 실시예에 따른 경기 결과 예측 방법을 시간의 흐름에 따라 도시한 흐름도이다. 먼저, 본 발명의 데이터 수집부(100)는 경기 결과를 예측하기 위해 과거 축구 경기들에 대한 경기를 참여한 선수들간 또는 팀별 패스(pass) 경로 데이터, 팀랭킹(team ranking) 데이터 및 스쿼드(squad) 데이터 등을 포함하는 데이터들을 수집한다(S700). 7 is a flowchart illustrating a method for predicting a match result according to an embodiment of the present invention over time. First, the data collection unit 100 of the present invention is to pass between the players participating in the match for past football matches or team-specific pass (pass) path data, team ranking (team ranking) data and squad (squad) to predict the match results Data including data is collected (S700).

다음으로, 본 발명의 경기 분석 지표 생성부(200)는 경기를 예측하기 위해 상기 수집된 과거 경기들에 따른 데이터들을 이용하여 경기와 관련된 적어도 하나의 분석 기준에 대하여 소셜 네트워크 분석(Social network analysis)을 통해 경기 분석 지표를 생성한다(S710). 여기서, 분석 기준이란 축구 경기를 예측하는 시점 이전까지의 축구 경기에 참여한 선수들 또는 팀별 패스 경로 데이터일 수 있다.Next, the game analysis index generation unit 200 of the present invention analyzes a social network for at least one analysis criterion related to a game by using data according to the collected past games to predict the game. To generate a game analysis index (S710). Here, the analysis criterion may be data of paths of players or teams participating in the soccer game until a point before predicting the soccer game.

다음으로, 본 발명의 경기 결과 예측부(400)는 상기 경기 분석 지표 생성부(200)로부터 생성된 경기 분석 지표를 기반으로 학습한다(S720).Next, the game result prediction unit 400 of the present invention learns based on the game analysis index generated by the game analysis index generation unit 200 (S720).

다음으로, 본 발명의 예측 모델 생성부(300)는 상기 분석 지표 생성부(200)로부터 생성된 경기 분석 지표를 기반으로 이후 시점에 발생될 미래 경기의 결과를 예측하기 위한 파라미터로서 상기 분석 기준과 관련된 미리 정의된 복수의 특성 값들을 이용하여 경기 결과 예측 모델을 생성한다(S730). 여기서, 예측 모델 생성부(300)가 예측 모델을 생성하기 위해 고려하는 특성 값들은 선수 간 패스 경로, 포지션(position), 랭킹(ranking), 팀의 평균 패스 성공률, 포지션 간 패스 경로, 매개 중심성(betweenness centrality), 선수 간 패스 성공률으로 구성될 수 있다. 이와 같은 특성 값들을 이용하여 경기 결과 예측 모델을 생성하는 방법은 위에서 상세하게 설명한 바 여기서는 생략하도록 한다.Next, the predictive model generation unit 300 of the present invention is a parameter for predicting the results of future games to be generated at a later point in time based on the match analysis index generated by the analysis index generation unit 200 and the analysis criteria and A game result prediction model is generated using a plurality of related predefined characteristic values (S730). Here, the characteristic values that the prediction model generator 300 considers to generate the prediction model include pass paths between players, position, ranking, average pass success rate of the team, pass paths between positions, and mediation centrality ( betweenness centrality). The method of generating a prediction model for the result of the game using these characteristic values is described in detail above and will be omitted here.

다음으로, 본 발명의 경기 결과 예측부(400)는 예측 모델 생성부(300)로부터 생성된 예측 모델을 이용하여 축구 경기 결과를 예측한다(S740). 이렇게, 본 발명의 경기 결과 예측부(400)는 경기 분석 지표를 기반으로 학습하여, 예측 모델을 토대로 경기 결과를 예측하며, 이후 추가 또는 새로운 데이터를 수집하여 경기 결과를 예측할 때, 상기 예측 모델과 분석 지표를 새로운 분석 지표로서 학습하여, 새롭게 생성된 예측 모델을 이용하여 경기 결과를 예측할 수 있다.Next, the game result prediction unit 400 of the present invention predicts a soccer game result using the prediction model generated by the prediction model generation unit 300 (S740). In this way, the game result prediction unit 400 of the present invention learns based on the game analysis index, predicts the game result based on the prediction model, and then collects additional or new data to predict the game result, and the prediction model and By learning the analysis index as a new analysis index, the result of the game can be predicted using the newly generated prediction model.

이상에서 설명한 본 발명의 실시예를 구성하는 모든 구성요소들이 하나로 결합하거나 결합하여 동작하는 것으로 기재되어 있다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 또한, 이와 같은 컴퓨터 프로그램은 USB 메모리, CD 디스크, 플래쉬 메모리 등과 같은 컴퓨터가 읽을 수 있는 기록매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 기록매체로서는 자기 기록매체, 광 기록매체 등이 포함될 수 있다.The fact that all the components constituting the embodiments of the present invention described above are described as being combined or operated as one, the present invention is not necessarily limited to these embodiments. That is, within the object scope of the present invention, all of the components may be selectively combined and operated. In addition, although all of the components may be implemented as one independent hardware, a part or all of the components are selectively combined to perform a combined function of some or all of functions in one or a plurality of hardware. It may be implemented as a computer program having a. In addition, such a computer program is stored in a computer-readable recording medium (Computer Readable Media), such as a USB memory, CD disk, flash memory, etc., and read and executed by a computer, thereby implementing an embodiment of the present invention. The recording medium of the computer program may include a magnetic recording medium, an optical recording medium, and the like.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다. 따라서, 본 발명에 개시된 실시예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구 범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.The above description is merely illustrative of the technical idea of the present invention, and those of ordinary skill in the art to which the present invention pertains may make various modifications, changes, and substitutions without departing from the essential characteristics of the present invention. will be. Therefore, the embodiments and the accompanying drawings disclosed in the present invention are not intended to limit the technical spirit of the present invention, but to explain the scope of the technical spirit of the present invention. . The scope of protection of the present invention should be interpreted by the claims below, and all technical spirits within the scope equivalent thereto should be interpreted as being included in the scope of the present invention.

Claims (18)

축구 경기와 관련된 경기 결과를 예측하기 위하여 과거 시점에 따른 적어도 한번 이상의 경기와 관련된 적어도 하나의 분석 기준에 대하여 소셜 네트워크 분석(Social network analysis)을 통해 경기 분석 지표를 생성하는 경기 분석 지표 생성부; 및
상기 경기 분석 지표를 기반으로 미래 경기의 결과를 예측하기 위한 파라미터로서 상기 분석 기준과 관련된 미리 정의된 복수의 특성 값들을 이용하여 경기 결과 예측 모델을 생성하는 예측 모델 생성부;를 포함하되,
상기 분석 기준은 상기 시점에 따른 상기 축구 경기에 참여한 선수들에 의한 패스(pass) 경로 데이터를 포함하고, 상기 예측 모델 생성부는 상기 패스 경로 데이터 및 상기 정의된 특성 값들을 고려하여 예측 패스 횟수를 산출하는 예측 패스 횟수 산출부를 더 포함하는 것을 특징으로 하는 경기 결과 예측 모델 생성 장치.
A game analysis index generation unit for generating a game analysis index through social network analysis for at least one analysis criterion related to at least one game according to a past time point in order to predict a game result related to a soccer game; And
Includes a prediction model generator for generating a prediction model for a match result using a plurality of predefined characteristic values related to the analysis criteria as a parameter for predicting a result of a future match based on the match analysis index.
The analysis criterion includes pass path data by players participating in the football match according to the viewpoint, and the prediction model generator calculates a predicted number of passes in consideration of the pass path data and the defined characteristic values And a prediction result number calculation unit.
삭제delete 삭제delete 제1항에 있어서,
상기 예측 패스 횟수 산출부는 상기 특성 값 각각의 가중치를 적용함에 따라 상기 예측 패스 횟수를 산출하되,
상기 특성 값 각각의 가중치는 상기 과거 시점에 따른 경기에서의 실제 패스 횟수와의 오차 값을 비용 함수로 하는 경사 하강법(Gradient descent)을 이용하여 결정하는 것을 특징으로 하는 경기 결과 예측 모델 생성 장치.
According to claim 1,
The prediction pass count calculator calculates the prediction pass count by applying a weight to each of the characteristic values,
The apparatus for predicting a game result prediction model, characterized in that the weight of each of the feature values is determined by using a gradient descent, which is a cost function of an error value from the actual number of passes in the game according to the past time point.
제1항에 있어서,
상기 경기 분석 지표를 생성하기 위한 상기 과거 시점에 따른 경기 결과와 관련된 적어도 하나 이상의 데이터들을 수집하는 데이터 수집부를 더 포함하는 것을 특징으로 하는 경기 결과 예측 모델 생성 장치.
According to claim 1,
And a data collection unit for collecting at least one or more data related to the result of the game according to the past time point for generating the game analysis index.
축구 경기와 관련된 경기 결과를 예측하기 위하여 과거 시점에 따른 적어도 한번 이상의 경기와 관련된 적어도 하나의 분석 기준에 대하여 소셜 네트워크 분석(Social network analysis)을 통해 경기 분석 지표를 생성하는 경기 분석 지표 생성부;
상기 경기 분석 지표를 기반으로 미래 경기의 결과를 예측하기 위한 파라미터로서 상기 분석 기준과 관련된 미리 정의된 복수의 특성 값들을 이용하여 경기 결과 예측 모델을 생성하는 예측 모델 생성부; 및
상기 생성된 경기 결과 예측 모델을 이용하여, 상기 경기 결과를 예측하는 경기 결과 예측부;를 포함하되,
상기 분석 기준은 상기 과거 시점에 따른 경기에 참여한 선수들에 의한 패스(pass) 경로 데이터를 포함하고, 상기 예측 모델 생성부는 상기 패스 경로 데이터 및 상기 정의된 특성 값들을 고려하여 예측 패스 횟수를 산출하는 예측 패스 횟수 산출부를 더 포함하는 것을 특징으로 하는 경기 결과 예측 장치.
A game analysis index generation unit for generating a game analysis index through social network analysis for at least one analysis criterion related to at least one game according to a past time point in order to predict a game result related to a soccer game;
A prediction model generator for generating a game result prediction model using a plurality of predefined characteristic values related to the analysis criterion as a parameter for predicting a future game result based on the game analysis index; And
Includes; a result prediction unit for predicting the match results, using the generated match result prediction model;
The analysis criteria include pass path data by players participating in the game according to the past time point, and the prediction model generator calculates a predicted number of passes in consideration of the pass path data and the defined characteristic values The apparatus for predicting match results, further comprising a prediction pass count calculator.
삭제delete 제6항에 있어서,
상기 특성 값들은 선수 간 패스 경로, 포지션, 랭킹(ranking), 팀별 평균 패스 성공률, 포지션 간 패스 경로, 매개 중심성(betweenness centrality), 선수 간 패스 성공률 중 적어도 하나인 것을 특징으로 하는 경기 결과 예측 장치.
The method of claim 6,
The characteristic values are at least one of a path path between players, a position, ranking, average path success rate for each team, a path path between positions, a mediation centrality, and a path success ratio between players.
제8항에 있어서,
상기 예측 패스 횟수 산출부는 상기 특성 값 각각의 가중치를 적용함에 따라 상기 예측 패스 횟수를 산출하되,
상기 특성 값 각각의 가중치는 상기 과거 시점에 따른 경기에서의 실제 패스 횟수와의 오차 값을 비용 함수로 하는 경사 하강법(Gradient descent)을 이용하여 결정하는 것을 특징으로 하는 경기 결과 예측 장치.
The method of claim 8,
The prediction pass count calculator calculates the prediction pass count by applying a weight to each of the characteristic values,
The apparatus for predicting a match result, characterized in that the weight of each of the characteristic values is determined using a gradient descent, which is a cost function of an error value from the actual number of passes in the match according to the past time point.
삭제delete 제8항에 있어서,
상기 예측 패스 횟수 산출부는 선형 회귀 분석 및 상기 과거 시점에 따른경기에서의 실제 패스 횟수와의 오차 값을 비용 함수로 하는 경사 하강법(Gradient descent)을 이용하여 상기 예측 패스 횟수를 산출하는 것을 특징으로 하는 경기 결과 예측 장치.
The method of claim 8,
The predicted pass number calculating unit is characterized by calculating the predicted pass number using a linear regression analysis and a gradient descent that uses an error value of an actual number of passes in a match according to the past time as a function of cost. A device for predicting match results.
제8항에 있어서,
상기 경기 결과 예측부는 상기 경기 분석 지표를 학습하고, 상기 예측 모델에 따른 팀별 예측 패스 횟수 및 승부 결과를 고려하여 상기 경기 결과를 예측하는 것을 특징으로 하는 경기 결과 예측 장치.
The method of claim 8,
The game result prediction unit learns the game analysis index and predicts the game result in consideration of the number of prediction passes for each team and the game result according to the prediction model.
제6항에 있어서,
상기 분석 기준은 상기 과거 시점에 따른 경기의 승부 결과에 대한 데이터를 더 포함하는 것을 특징으로 하는 경기 결과 예측 장치.
The method of claim 6,
The analysis criterion further comprises data on the result of the match of the match according to the past time point.
축구 경기와 관련된 경기 결과를 예측하기 위하여 과거 시점에 따른 적어도 한번 이상의 경기와 관련된 적어도 하나의 분석 기준에 대하여 소셜 네트워크 분석(Social network analysis)을 통해 경기 분석 지표를 생성하는 단계;
상기 경기 분석 지표를 기반으로 미래 경기의 결과를 예측하기 위한 파라미터로서 상기 분석 기준과 관련된 미리 정의된 복수의 특성 값들을 이용하여 경기 결과 예측 모델을 생성하는 단계; 및
상기 생성된 경기 결과 예측 모델을 이용하여, 상기 경기 결과를 예측하는 단계;를 포함하되,
상기 분석 기준은 상기 과거 시점에 따른 경기에 참여한 선수들에 의한 패스(pass) 경로 데이터 및 경기 승부 결과에 대한 데이터를 포함하며, 상기 경기 결과 예측 모델을 생성하는 단계는 상기 패스 경로 데이터 및 상기 정의된 특성 값 각각의 가중치를 고려하여 예측 패스 횟수를 산출하는 단계를 더 포함하는 것을 특징으로 하는 경기 결과 예측 방법.
Generating a game analysis index through social network analysis with respect to at least one analysis criterion related to at least one game according to a past time point in order to predict a game result related to a soccer game;
Generating a game result prediction model using a plurality of predefined characteristic values associated with the analysis criterion as a parameter for predicting a future game result based on the game analysis index; And
Including, using the generated match results prediction model, predicting the match results;
The analysis criteria include pass path data by players participating in the game according to the past time point and data on a match result, and generating the game result prediction model includes the pass path data and the definition And calculating the number of prediction passes in consideration of the weight of each of the characteristic values.
제14항에 있어서,
상기 특성 값들은 선수 간 패스 경로, 포지션, 랭킹(ranking), 팀별 평균 패스 성공률, 포지션 간 패스 경로, 매개 중심성(betweenness centrality), 선수 간 패스 성공률 중 적어도 하나인 것을 특징으로 하는 경기 결과 예측 방법.
The method of claim 14,
The characteristic values are at least one of a path path between players, a position, ranking, average pass success rate for each team, a path path between positions, intermediateness, and a path success rate between players.
제15항에 있어서,
상기 특성 값 각각의 가중치는 상기 미래 경기에서의 실제 패스 횟수와의 오차 값을 비용 함수로 하는 경사 하강법(Gradient descent)을 이용하여 결정하는 것을 특징으로 하는 경기 결과 예측 방법.
The method of claim 15,
The weighting method for each of the feature values is determined by using a gradient descent method, which uses an error value as a function of the cost of the actual number of passes in the future game.
제14항에 있어서,
상기 경기 분석 지표를 생성하기 위한 상기 과거 시점에 따른 경기 결과와 관련된 적어도 하나 이상의 데이터들을 수집하는 단계를 더 포함하는 것을 특징으로 하는 경기 결과 예측 방법.
The method of claim 14,
And collecting at least one or more data related to the match result according to the past time point for generating the match analysis index.
제14항 내지 제17항 중 적어도 어느 한 항에 따른 방법을 컴퓨터에서 수행하기 위한 컴퓨터에서 판독 가능한 프로그램이 기록된 저장 매체.A storage medium in which a computer readable program is recorded for performing a method according to any one of claims 14 to 17 on a computer.
KR1020180020845A 2018-02-22 2018-02-22 Apparatus and method for predicting result of game using predictive model of game result KR102104007B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180020845A KR102104007B1 (en) 2018-02-22 2018-02-22 Apparatus and method for predicting result of game using predictive model of game result

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180020845A KR102104007B1 (en) 2018-02-22 2018-02-22 Apparatus and method for predicting result of game using predictive model of game result

Publications (2)

Publication Number Publication Date
KR20190105171A KR20190105171A (en) 2019-09-16
KR102104007B1 true KR102104007B1 (en) 2020-04-23

Family

ID=68067263

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180020845A KR102104007B1 (en) 2018-02-22 2018-02-22 Apparatus and method for predicting result of game using predictive model of game result

Country Status (1)

Country Link
KR (1) KR102104007B1 (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100497780B1 (en) * 2001-05-15 2005-06-29 주식회사 스포츠데이타뱅크 Method of analysis for soccer game data use of computer network, its system, and computer-readable medium recording the method

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101585399B1 (en) 2015-06-18 2016-01-14 주식회사 스포츠애드온 Game result predicting method using sports data information
KR102270184B1 (en) * 2016-04-20 2021-06-28 김세원 System and method for providing service for predicting result of game

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100497780B1 (en) * 2001-05-15 2005-06-29 주식회사 스포츠데이타뱅크 Method of analysis for soccer game data use of computer network, its system, and computer-readable medium recording the method

Also Published As

Publication number Publication date
KR20190105171A (en) 2019-09-16

Similar Documents

Publication Publication Date Title
Memmert et al. Match analysis, big data and tactics: current trends in elite soccer.
Erickson et al. Global state evaluation in StarCraft
Akiyama et al. Helios2018: Robocup 2018 soccer simulation 2D league champion
Kelly et al. Knowledge transfer from keepaway soccer to half-field offense through program symbiosis: Building simple programs for a complex task
Berrar et al. Guest editorial: special issue on machine learning for soccer
Giannatos et al. Suggesting new plot elements for an interactive story
Vistro et al. The cricket winner prediction with application of machine learning and data analytics
CN107335220A (en) A kind of recognition methods of passive user, device and server
KR102104007B1 (en) Apparatus and method for predicting result of game using predictive model of game result
Mackay Predicting goal probabilities for possessions in football
Cho et al. Investigation of the effect of “Fog of War” in the prediction of starcraft strategy using machine learning
Patnaik et al. A study of Prediction models for football player valuations by quantifying statistical and economic attributes for the global transfer market
Rao et al. Team strategizing using a machine learning approach
Fukushima et al. Online opponent formation identification based on position information
Liu et al. Interpreting deep sports analytics: Valuing actions and players in the NHL
KR102186949B1 (en) Method and apparatus for predicting result of game
Rodrigues et al. Cricket Squad Analysis Using Multiple Random Forest Regression
Pelechrinis Linnet: Probabilistic lineup evaluation through network embedding
CN111530081A (en) Game level design method and device, storage medium and electronic equipment
Ishi et al. A study on machine learning methods used for team formation and winner prediction in cricket
Ntzoufras et al. Bayesian models for prediction of the set-difference in volleyball
Azaria et al. Evolving artificial general intelligence for video game controllers
Li et al. A high-performance basketball game forecast using magic feature extraction
Reyers et al. Quarterback evaluation in the national football league using tracking data
Xenopoulos et al. Graph Neural Networks to Predict Sports Outcomes

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right