KR102186949B1 - 승부 예측 방법 및 장치 - Google Patents

Abstract

승부 예측 방법 및 장치가 개시된다. 뉴럴 네트워크를 이용한 경기의 승부 예측 방법은 과거에 수행된 경기에 대한 경기 데이터를 수집하는 단계, 경기 데이터 대하여 데이터 전처리를 수행하는 단계, 데이터 전처리가 수행된 경기 데이터를 이용하여 승부 예측 모델을 학습시키는 단계 및 학습된 승부 예측 모델을 이용하여 경기 결과의 예측 값을 획득하는 단계를 포함한다.

Description

승부 예측 방법 및 장치{METHOD AND APPARATUS FOR PREDICTING RESULT OF GAME}

아래 실시예들은 승부 예측 기술에 관한 것이다.

경기에 대한 승부 예측을 위해, 주로 승패의 요인 분석 및 예측 모형에 대한 분석이 주로 연구되고 있다. 종래 기술들은 승패에 대한 요인분석 및 예측 모형에 대한 분석이 주를 이루고 있으며 경기 예측 시 농구, 배구와 같이 무승부가 거의 존재하지 않는 스포츠들에 대한 승, 패 예측이 주를 이루고 있어 축구와 같은 승, 무, 패에 대한 예측에 적용하기에는 한계점이 존재하였다. 또한, 경기에 대한 승패의 요인 분석을 하는 데에 각 스포츠 구단만이 수집할 수 있는 데이터들 또는 수집하는 데 많은 비용과 시간이 드는 데이터들을 활용하였다. 이 때문에 일반적인 사용자는 승패의 요인을 분석할 수 있는 데이터에 대한 접근이 거의 불가능 하였다. 이와 같은 한계를 보완할 수 있는 연구가 필요한 실정이다.

일 실시예에 따른 뉴럴 네트워크를 이용한 경기의 승부 예측 방법은 과거에 수행된 경기에 대한 경기 데이터를 수집하는 단계; 상기 경기 데이터 대하여 데이터 전처리를 수행하는 단계; 상기 데이터 전처리가 수행된 경기 데이터를 이용하여 승부 예측 모델을 학습시키는 단계; 및 상기 학습된 승부 예측 모델을 이용하여 경기 결과의 예측 값을 획득하는 단계를 포함할 수 있다.

과거에 수행된 경기에 대한 경기 데이터를 수집하는 단계는, 상기 과거에 수행된 경기에 대한 경기 데이터를 시간 순서대로 정렬된 시계열 데이터 형태로 수집하는 단계를 포함할 수 있다.

상기 데이터 전처리를 수행하는 단계는, 상기 경기 데이터로부터 팀별 통계 데이터를 추출하는 단계; 및 상기 팀별 통계 데이터에 대하여 정규화 및 라벨링을 수행하는 단계를 포함할 수 있다.

상기 경기는 축구 경기이고, 상기 팀별 통계 데이터는, 상기 팀별 통계 데이터에 대응하는 각각에 팀에 대한 상기 경기 데이터와 관련한 경기의, 볼 점유율, 유효슈팅 수, 총 슈팅 횟수, 총 볼 터치 횟수, 총 패스 횟수, 총 태클 횟수, 총 수비 성공 횟수, 경기 결과 및 리그 내 순위 중 적어도 하나를 포함할 수 있다.

상기 승부 예측 모델을 학습시키는 단계는, 과거에 수행된 하나 이상의 제1 경기 시즌에 대한 경기 데이터를 학습 데이터로서 승부 예측 모델에 입력하여 과거에 수행된 제2 경기 시즌에 대응하는 경기 결과의 예측에 대한 출력 값을 획득하는 단계; 및 상기 제2 경기 시즌에 대응하는 경기 결과의 예측에 대한 출력 값과 상기 제2 경기 시즌에 대한 경기 결과에 기초하여 상기 승부 예측 모델을 학습시키는 단계를 포함할 수 있다.

제1 경기 시즌은, 상기 제2 경기 시즌보다 더 과거에 수행된 경기 시즌일 수 있다.

상기 승부 예측 모델은, LSTM(Long short-term memory) 모델일 수 있다.

상기 승부 예측 모델을 학습시키는 단계는, 상기 출력 값과 상기 학습 데이터에 기초하여 상기 LSTM 모델의 은닉층의 개수와 각 은닉층에 포함될 인공 뉴런들의 개수를 결정하는 단계를 포함할 수 있다.

상기 은닉층의 개수와 각 은닉층에 포함될 인공 뉴런들의 개수를 결정하는 단계는, 상기 출력 값과 상기 라벨링이 수행된 팀별 통계 데이터 간의 유사도에 기초하여 상기 은닉층의 개수와 각 은닉층에 포함될 인공 뉴런들의 개수를 결정하는 단계를 포함할 수 있다.

상기 경기 결과의 예측 값을 획득하는 단계는, 상기 제2 경기 시즌보다 미래에 수행될 제3 경기 시즌에 대한 경기 결과의 예측 값을 획득하는 단계를 포함할 수 있다.

일 실시예에 따른 승부 예측 방법을 수행하는 뉴럴 네트워크 기반의 승부 예측 장치는 과거에 수행된 경기에 대한 경기 데이터를 수집하는 데이터 수집부; 상기 경기 데이터 대하여 데이터 전처리를 수행하는 데이터 전처리부; 경기 결과에 대한 예측 값을 출력하는 승부 예측 모델; 상기 데이터 전처리가 수행된 경기 데이터를 이용하여 승부 예측 모델을 학습시키는 학습부; 및 상기 데이터 수집부가 수집한 데이터를 저장하는 데이터베이스를 포함할 수 있다.

상기 데이터 수집부는, 상기 과거에 수행된 경기에 대한 경기 데이터를 시간 순서대로 정렬된 시계열 데이터 형태로 수집할 수 있다.

상기 데이터 전처리부는, 상기 경기 데이터로부터 팀별 통계 데이터를 추출하고, 상기 팀별 통계 데이터에 대하여 정규화 및 라벨링을 수행할 수 있다.

상기 경기는 축구 경기이고, 상기 팀별 통계 데이터는, 상기 팀별 통계 데이터에 대응하는 각각에 팀에 대한 상기 경기 데이터와 관련한 경기의, 볼 점유율, 유효슈팅 수, 총 슈팅 횟수, 총 볼 터치 횟수, 총 패스 횟수, 총 태클 횟수, 총 수비 성공 횟수, 경기 결과 및 리그 내 순위 중 적어도 하나를 포함할 수 있다.

상기 학습부는, 과거에 수행된 하나 이상의 제1 경기 시즌에 대한 경기 데이터를 학습 데이터로서 승부 예측 모델에 입력하여 과거에 수행된 제2 경기 시즌에 대응하는 경기 결과의 예측에 대한 출력 값을 획득하고, 상기 제2 경기 시즌에 대응하는 경기 결과의 예측에 대한 출력 값과 상기 제2 경기 시즌에 대한 경기 결과에 기초하여 상기 승부 예측 모델을 학습시킬 수 있다.

제1 경기 시즌은, 상기 제2 경기 시즌보다 더 과거에 수행된 경기 시즌일 수 있다.

상기 승부 예측 모델은, LSTM(Long short-term memory) 모델일 수 있다.

상기 학습부는, 상기 출력 값과 상기 학습 데이터에 기초하여 상기 LSTM 모델의 은닉층의 개수와 각 은닉층에 포함될 인공 뉴런들의 개수를 결정할 수 있다.

상기 학습부는, 상기 출력 값과 상기 라벨링이 수행된 팀별 통계 데이터 간의 유사도에 기초하여 상기 은닉층의 개수와 각 은닉층에 포함될 인공 뉴런들의 개수를 결정할 수 있다.

상기 승부 예측 모델은, 상기 제2 경기 시즌보다 미래에 수행될 제3 경기 시즌에 대한 경기 결과의 예측 값을 획득할 수 있다.

일 실시예에 따르면 스포츠의 전문가가 아닌 일반 사용자에게도 접근성이 높은 데이터들 활용하는 것만으로도 축구와 같이 승, 무, 패가 존재하는 경기의 승부를 예측할 수 있다.

일 실시예에 따르면 축구 경기에 대한 승, 무, 패의 예측뿐만 아닌 다른 종류의 스포츠 승부 예측과 관련된 분야에도 적용될 수 있다.

일 실시예에 따르면 축구 경기의 결과를 예측하여 경기의 승패에 영향을 미치는 변수들을 분석할 수 있다.

일 실시예에 따르면 축구 경기의 결과를 예측하고, 경기의 승패에 영향을 미치는 변수들을 분석함으로써 축구 팀의 경기력을 향상시킬 수 있다.

일 실시예에 따르면 축구 경기의 결과를 예측함으로써, 축구 경기의 전반적인 흐름을 파악할 수 있다.

도 1은 일 실시예에 따른 승부 예측 시스템의 전체적인 구성을 도시한 도면이다.
도 2는 일 실시예에 따른 승부 예측 방법의 동작을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 승부 예측 방법의 동작을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 승부 예측 모델의 일례를 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 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 승부 예측 시스템의 전체적인 구성을 도시한 도면이다.

도 1을 참조하면, 승부 예측 시스템은 주어진 데이터에 기반하여 경기(예를 들어, 축구와 같은 스포츠 경기)의 결과를 예측하는 시스템이다. 승부 예측 시스템은 데이터 전처리부(110) 및 승부 예측 모델(120)을 포함할 수 있다. 승부 예측 시스템은 쉽게 접근할 수 있는 데이터를 딥러닝 모델에 적용하는 것에 의해 승부 예측 모델(120)을 학습시키고, 승부 예측 모델(120)을 이용하여 경기에 대하여 승리, 무승부 및 패배 중 적어도 하나를 포함하는 예측을 수행할 수 있다. 이하에서 설명되는 실시예들은 설명의 편의를 위해 축구 경기를 예로 들어 설명하지만, 실시예의 범위가 이에 한정되는 것은 아니며 본 발명은 다양한 스포츠 경기에 적용될 수 있다.

일 실시예에서, 데이터 전처리부(110)는 과거 시즌에 대한 경기 데이터를 수신할 수 있다. 데이터 전처리부(110)는 경기 데이터에 대하여 데이터 전처리를 수행할 수 있다. 데이터 전처리부(110)는 경기 데이터로부터 팀별 통계 데이터를 추출할 수 있고, 팀별 통계 데이터에 대하여 정규화 및 라벨링을 수행할 수도 있다. 여기서, 데이터 전처리부(110)가 추출하는 팀별 통계 데이터는 팀별 통계 데이터에 대응하는 각각 팀에 대한 상기 경기 데이터와 관련한 경기의, 볼 점유율, 유효슈팅 수, 총 슈팅 횟수, 총 볼 터치 횟수, 총 패스 횟수, 총 태클 횟수, 총 수비 성공 횟수, 경기 결과 및 리그 내 순위 중 적어도 하나를 포함할 수 있다. 리그 내 순위는 팀별 통계 데이터가 추출된 경기와 관련된 시즌에서의 리그 내 순위를 의미할 수 있다. 데이터 전처리부(110)는 팀별 통계 데이터에 포함된 경기 결과에 기초하여 라벨링(labeling)을 수행할 수 있다.

일 실시예에서 승부 예측 모델(120)은 데이터 전처리부(110)로부터 데이터 전처리가 수행된 경기 데이터를 수신할 수 있다. 승부 예측 모델(120)은 데이터 전처리가 수행된 경기 데이터에 기초하여 경기 결과에 대한 예측 값을 출력할 수 있다. 여기서 승부 예측 모델(120)이 입력 값으로 수신한 데이터 전처리가 수행된 경기 데이터에 대응하는 경기는, 승부 예측 모델(120)이 출력한 예측 값에 대응하는 경기보다 먼저 수행된 경기가 될 수 있다.

위 실시예에서 승부 예측 모델(120)은 과거에 수행된 경기 데이터를 학습 데이터로서 학습된 승부 예측 모델(120)일 수 있다. 실시예에 따라 승부 예측 모델(120)은 학습된 상태에서 예측할 경기 결과에 대응하는 시즌의 바로 직전 시즌의 데이터에 기초하여 경기 결과를 예측할 수 있다. 또한, 예측을 수행할 때마다 입력 값에 대응되는 경기 데이터에 기초하여 학습이 수행될 수도 있다.

경기 결과를 정확하게 예측할 수 있는 승부 예측 모델(120)을 제안하기 위하여, 딥러닝과 관련한 다양한 모델을 승부 예측 모델(120)에 적용하여 성능을 평가할 수 있다. 랜덤 포레스트(random forest), 서포트 벡터 머신(support vector machine), LSTM 및 MLP(multi-layer perceptron) 중에서 LSTM 모델이 시계열 데이터인 경기 데이터에 기초하여 예측 값을 출력하기에 유리하고, 예측 값의 정확도가 높은 것으로 나타날 수 있다. 이러한 점을 고려하여, 승부 예측 모델(120)로서 LSTM 모델이 이용될 수 있다. 하지만, 실시예의 범위가 LSTM 모델로 한정되는 것은 아니며, 승부 예측 모델(120)로서 예를 들어, 랜덤 포레스트 모델, 서포트 벡터 머신 등이 이용될 수도 있다.

도 2는 일 실시예에 따른 승부 예측 방법의 동작을 설명하기 위한 흐름도이다. 승부 예측 방법은 본 명세서에서 설명되는 승부 예측 장치에 의해 수행될 수 있다.

도 2를 참조하면, 단계(210)에서 승부 예측 장치는 과거에 수행된 경기에 대한 경기 데이터를 수집할 수 있다. 여기서 경기는 축구 경기를 의미할 수 있고, 승부 예측 장치가 수집하는 과거에 수행된 경기에 대한 경기 데이터는 경기와 관련하여 비교적 쉽게 수집할 수 있는 데이터를 의미할 수 있다.

일 실시예에서 승부 예측 장치는 과거에 수행된 경기에 대한 경기 데이터를 시간 순서대로 정렬된 시계열 데이터 형태로 수집할 수 있다.

단계(220)에서 승부 예측 장치는 시계열 데이터 형태로 수집된 경기 데이터에 대하여 데이터 전처리를 수행할 수 있다.

승부 예측 장치는 경기 데이터로부터 팀별 통계 데이터를 추출할 수 있다. 여기서, 팀별 통계 데이터는 팀별 통계 데이터에 대응하는 각각의 팀에 대한 상기 경기 데이터와 관련한 경기의, 볼 점유율, 유효슈팅 수, 총 슈팅 횟수, 총 볼 터치 횟수, 총 패스 횟수, 총 태클 횟수, 총 수비 성공 횟수, 경기 결과 및 리그 내 순위 중 적어도 하나를 포함할 수 있다. 리그 내 순위는 팀별 통계 데이터가 추출된 경기와 관련된 시즌에서의 리그 내 순위를 의미할 수 있다.

승부 예측 장치는 팀별 통계 데이터에 대하여 정규화 및 라벨링을 수행할 수 있다. 승부 예측 장치는 팀별 통계 데이터를 0과 1 사이의 값으로 정규화를 수행할 수 있다. 또한 승부 예측 장치는 팀별 통계 데이터에 기초하여 경기의 결과를 라벨링을 수행할 수 있다. 예를 들어, 팀이 승리하였을 경우에 2, 무승부일 경우에 1, 패배하였을 경우에 0을 부여하는 것과 같이 정수 값으로 라벨링을 수행할 수 있다.

단계(230)에서 승부 예측 장치는 데이터 전처리가 수행된 경기 데이터를 이용하여 승부 예측 모델을 학습시킬 수 있다.

승부 예측 장치는 과거에 수행된 하나 이상의 제1 경기 시즌에 대한 경기 데이터를 학습 데이터로서 승부 예측 모델에 입력하여 과거에 수행된 제2 경기 시즌에 대응하는 경기 결과의 예측에 대한 출력 값을 획득할 수 있다. 여기서 제1 경기 시즌은 제2 경기 시즌보다 더 과거에 수행된 경기 시즌을 의미할 수 있다.

승부 예측 장치는 제2 경기 시즌에 대응하는 경기 결과의 예측에 대한 출력 값과 상기 제2 경기 시즌에 대한 경기 결과에 기초하여 승부 예측 모델을 학습시킬 수 있다.

승부 예측 장치는 출력 값과 제2 경기 시즌에 대한 경기 결과에 대응하는 학습 데이터에 기초하여 LSTM 모델의 은닉층의 개수와 각 은닉층에 포함될 인공 뉴런들의 개수를 결정할 수 있다.

일 실시예에서 승부 예측 장치는 출력 값과 라벨링이 수행된 팀별 통계 데이터 간의 유사도에 기초하여 상기 은닉층의 개수와 각 은닉층에 포함될 인공 뉴런들의 개수를 결정할 수 있다. 승부 예측 장치는 승부 예측 모델로부터 획득한 출력 값이 라벨링이 수행된 팀별 통계 데이터가 가장 유사한 것으로 나타날 때의 LSTM 모델의 은닉층의 개수와 각 은닉층에 포함된 인공 뉴런들의 개수를 최적의 설정 정보로 결정할 수 있다. 승부 예측 장치는 최적의 설정 정보에 기초하여 승부 예측 모델의 LSTM 모델의 은닉층의 개수와 각 은닉층에 포함된 인공 뉴런들의 개수를 결정할 수 있다.

단계(240)에서 승부 예측 장치는 학습된 승부 예측 모델을 이용하여 경기 결과의 예측 값을 획득할 수 있다. 일 실시예에서 승부 예측 장치는 제2 경기 시즌보다 미래에 수행될 제3 경기 시즌에 대한 경기 결과의 예측 값을 획득할 수 있다.

승부 예측 모델은 시계열 데이터 처리에 유리한 LSTM(Long short-term memory) 모델이기 때문에 시계열 데이터 형태로 수집된 경기 데이터를 이용하여 경기 결과를 예측하는 데에 가장 적합할 수 있다.

도 3은 일 실시예에 따른 승부 예측 방법의 동작을 설명하기 위한 도면이다.

프리미어리그의 2개의 시즌에 해당하는 750개의 경기에 대한 경기 결과 예측을 진행한 결과 LSTM 모델이 다른 딥러닝 모델과 베이스 라인(Baseline) 모델보다 평균 3.6% 정도 높은 예측 정확도를 보였다. 또한, 승부 예측 방법을 수행하는 데 있어서 활용될 경기 데이터는 시계열 데이터이기 때문에 축구 경기에 대한 승부를 예측하는 데 있어서 LSTM 모델이 가장 적합할 수 있다.

도 3을 참조하면, 일 실시예에서 승부 예측 장치의 데이터 수집부(310)는 경기 데이터를 수집할 수 있다. 승부 예측 장치의 데이터 전처리부(320)는 데이터 수집부(310)가 수집한 경기 데이터를 전달받아, 경기 데이터에 대한 데이터 전처리를 수행할 수 있다. 데이터 전처리부(320)는 경기 데이터로부터 팀별 통계 데이터를 추출할 수 있고, 팀별 통계 데이터에 대하여 정규화 및 라벨링을 수행할 수 있다.

데이터 전처리부(320)는 정규화가 수행된 팀별 통계 데이터와 라벨링이 수행되어 팀별 승, 무 및 패 정보가 정리된 데이터를 승부 예측 모델(330)로 전달할 수 있다. 전처리가 수행된 경기 데이터는 LSTM 모델인 승부 예측 모델(330)에 입력되기 위하여 타임 스텝(time-step)을 가지는 형태의 데이터로 구성될 수 있다. 또한, 승부 예측 모델(330)은 LSTM 모델로서 다 대 일(Many-to-One) 구조를 가질 수 있다. 즉, 승부 예측 모델(330)은 복수의 과거에 수행된 경기 시즌들에 대응하는 경기 데이터에 기초하여 학습되고 하나의 경기 시즌에 대응하는 경기 결과를 예측하여 출력할 수 있다.

승부 예측 모델(330)에 정규화가 수행된 팀별 통계 데이터와 라벨링이 수행되어 팀별 승, 무 및 패 정보가 정리된 데이터가 입력 데이터(340)로서 입력될 수 있고, 승부 예측 모델(330)은 입력 데이터(340)에 기초하여 경기 결과에 대한 예측 값을 출력할 수 있다.

승부 예측 모델(330)의 예측 값은 실시예에 따라 승리, 무승부 및 패배의 3가지 경우에 대한 확률 값으로 변환될 수 있도록 예측 값에 소프트-맥스(soft-max)가 적용될 수 있다. 소프트-맥스 함수는 3개 이상 분류되어 있는 요소들로부터 하나의 결과 값을 내놓고자 할 때 사용될 수 있다.

도 4는 일 실시예에 따른 승부 예측 모델의 일례를 설명하기 위한 도면이다.

도 4를 참조하면, 일 실시예에서 승부 예측 모델(400)은 입력(Input) 노드(410), 히든(hidden) 노드(420) 및 출력 노드(430)를 포함할 수 있다. 입력 노드(410)는 입력 데이터를 처리하여 히든 노드(420)로 전달할 수 있다.

히든 노드(420)는 적어도 하나의 은닉층으로 구성될 수 있다. 히든 노드(420)를 구성하는 각각의 은닉층에는 인공 뉴런들이 포함될 수 있다. 히든 노드(420)를 구성할 은닉층의 개수와, 각각의 은닉층에 포함될 인공 뉴런들의 개수는 승부 예측 모델(400)의 예측 정확도에 기초하여 결정될 수 있다. 승부 예측 모델(400)의 예측 정확도가 가장 높은 것으로 나타날 때의 은닉층의 개수와, 각각의 은닉층에 포함된 인공 뉴런들의 개수가 최적의 설정 정보로 결정될 수 있다. 히든 노드(420)의 은닉층의 개수와 은닉층에 포함된 인공 뉴런들의 개수는 최적의 설정 정보에 기초하여 결정될 수 있다.

일 실시예에서 승부 예측 모델(400)이 과거에 수행된 10개의 경기에 대한 경기 데이터에 기초하여 다음 경기에 대한 경기 결과를 예측한다고 하였을 때, 히든 노드(420)의 은닉층의 개수가 8개일 경우에 승부 예측 모델(400)의 성능이 가장 좋은 것으로 나타날 수 있다.

출력 노드(430)는 소프트-맥스 함수에 대응할 수 있다. 승부 예측 모델(400)은 출력 노드(430)를 통해 경기 결과에 대한 예측 값을 출력할 수 있다. 출력 노드(430)에 의해 출력되는 예측 값은 하나의 팀을 기준으로, 승리, 무승부 및 패배에 관한 확률일 수 있다.

도 5는 일 실시예에 따른 승부 예측 장치의 구성을 도시하는 도면이다.

도 5를 참조하면, 일 실시예에서 승부 예측 장치(500)는 본 명세서에서 설명된 승부 예측 장치에 대응할 수 있다. 승부 예측 장치(500)는 데이터 수집부(510), 데이터 전처리부(520), 학습부(530), 승부 예측 모델(540) 및 데이터베이스(550)를 포함할 수 있다.

일 실시예에서 데이터 수집부(510)는 과거에 수행된 경기에 대한 경기 데이터를 수집할 수 있다. 데이터 수집부(510)가 수집하는 경기 데이터는 경기와 관련된 일반적인 데이터로서 누구라도 쉽게 접근할 수 있는 데이터를 의미할 수 있다.

데이터베이스(550)는 데이터 수집부(510)가 수집한 경기 데이터를 저장할 수 있다. 데이터베이스(550)는 데이터 수집부(510)가 수집한 경기 데이터의 원시 데이터를 저장할 수 있다. 즉, 데이터베이스(550)는 데이터 전처리가 수행되지 않은 경기 데이터를 저장할 수 있다. 또한, 데이터 전처리부(520)는 데이터 수집부(510)가 수집한 경기 데이터에 대하여 데이터 전처리를 수행할 수 있다. 데이터 전처리부(520)는 경기 데이터로부터 팀별 통계 데이터를 추출할 수 있다.

데이터 전처리부(520)는 팀별 통계 데이터에 대하여 정규화 및 라벨링을 수행할 수 있다. 데이터 전처리부(520)는 팀별 통계 데이터를 0과 1 사이의 값으로 정규화를 수행할 수 있다. 데이터 전처리부(520)는 예를 들어, 팀별로 각각의 경기에 대한 승리한 경우 정수 2, 무승부인 경우 정수 1, 패배한 경우 정수 0을 부여함으로써 라벨링을 수행할 수 있다.

데이터 전처리부(520)는 실시예에 따라 경기 데이터에 대하여 데이터 전처리를 수행할 때, 팀별 통계 데이터에 기초하여 팀별 통계 데이터에 대응하는 팀들을 홈(home)팀 및 어웨이(away)팀으로 분류하여 라벨링을 수행할 수도 있다.

학습부(530)는 데이터 전처리부(520)에서 데이터 전처리가 수행된 경기 데이터에 기초하여 승부 예측 모델(540)을 학습시킬 수 있다.

예를 들어, 경기 데이터가 2006/2007 시즌부터 2017/2018 시즌에 대응하는 경기 데이터일 경우, 학습부(530)는 2006/2007 시즌부터 2014/2015 시즌에 대응하는 경기 데이터에 기초하여 승부 예측 모델(540)을 학습시킬 수 있다. 여기서 승부 예측 모델(540)은 LSTM 모델일 수 있다. 학습부(530)는 승부 예측 모델(540)에 데이터 전처리가 수행된 2015/2016 시즌에 대응하는 경기 데이터를 입력하여 출력 값을 획득할 수 있다.

여기서 출력 값은 2016/2017 시즌에 대응하는 경기 결과의 예측에 대한 값이 될 수 있다. 학습부(530)는 출력 값과 실제 경기 결과를 비교하여 승부 예측 모델(540)의 정확도를 파악할 수 있고, 정확도를 향상시키기 위하여 승부 예측 모델(540)의 은닉층의 개수와 각 은닉층에 포함될 인공 뉴런들의 개수를 결정할 수 있다. 학습된 승부 예측 모델(540)은 2016/2017 시즌에 대응하는 경기 데이터 및 2017/2018 시즌에 대응하는 경기 데이터에 기초하여 2018/2019 시즌에 대응하는 경기 결과에 대한 예측 값을 출력할 수 있다.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (10)

1. 뉴럴 네트워크를 이용한 경기의 승부 예측 방법에 있어서,
   과거에 수행된 경기에 대한 경기 데이터를 수집하는 단계;
   상기 경기 데이터 대하여 데이터 전처리를 수행하는 단계;
   상기 데이터 전처리가 수행된 경기 데이터를 이용하여 승부 예측 모델을 학습시키는 단계; 및
   상기 학습된 승부 예측 모델을 이용하여 경기 결과의 예측 값을 획득하는 단계
   를 포함하고,
   상기 승부 예측 모델은, LSTM(Long short-term memory) 모델이고,
   상기 승부 예측 모델을 학습시키는 단계는,
   상기 승부 예측 모델로부터 획득한 출력 값이, 라벨링이 수행된 팀별 통계 데이터와 가장 유사한 것으로 나타날 때의 상기 LSTM 모델의 은닉층의 개수와 각 은닉층에 포함된 인공 뉴런들의 개수를 최적의 설정 정보로 결정하는 단계; 및
   과거에 수행된 제1 경기 시즌에 대한 경기 데이터를 학습 데이터로서 이용하여 상기 승부 예측 모델을 통해 제2 경기 시즌에 대응하는 경기 결과를 예측하고, 상기 제2 경기 시즌에 대응하는 예측된 경기 결과와 실제 제2 경기 시즌에 대한 경기 결과에 기초하여 상기 승부 예측 모델을 학습시키는 단계
   를 포함하는 승부 예측 방법.
   
2. 제1항에 있어서,
   과거에 수행된 경기에 대한 경기 데이터를 수집하는 단계는,
   상기 과거에 수행된 경기에 대한 경기 데이터를 시간 순서대로 정렬된 시계열 데이터 형태로 수집하는 단계
   를 포함하는,
   승부 예측 방법.
3. 제1항에 있어서,
   상기 데이터 전처리를 수행하는 단계는,
   상기 경기 데이터로부터 팀별 통계 데이터를 추출하는 단계; 및
   상기 팀별 통계 데이터에 대하여 정규화 및 라벨링을 수행하는 단계
   를 포함하는,
   승부 예측 방법.
4. 제3항에 있어서,
   상기 경기는 축구 경기이고,
   상기 팀별 통계 데이터는,
   상기 팀별 통계 데이터에 대응하는 각각에 팀에 대한 상기 경기 데이터와 관련한 경기의, 볼 점유율, 유효슈팅 수, 총 슈팅 횟수, 총 볼 터치 횟수, 총 패스 횟수, 총 태클 횟수, 총 수비 성공 횟수, 경기 결과 및 리그 내 순위 중 적어도 하나를 포함하는,
   승부 예측 방법.
5. 삭제
6. 삭제
7. 제1항에 있어서,
   상기 승부 예측 모델을 학습시키는 단계는,
   상기 출력 값과 상기 학습 데이터에 기초하여 상기 LSTM 모델의 은닉층의 개수와 각 은닉층에 포함될 인공 뉴런들의 개수를 결정하는 단계
   를 포함하는,
   승부 예측 방법.
8. 제7항에 있어서,
   상기 은닉층의 개수와 각 은닉층에 포함될 인공 뉴런들의 개수를 결정하는 단계는,
   상기 출력 값과 라벨링이 수행된 팀별 통계 데이터 간의 유사도에 기초하여 상기 은닉층의 개수와 각 은닉층에 포함될 인공 뉴런들의 개수를 결정하는 단계
   를 포함하는,
   승부 예측 방법.
9. 제1항에 있어서,
   상기 경기 결과의 예측 값을 획득하는 단계는,
   제2 경기 시즌보다 미래에 수행될 제3 경기 시즌에 대한 경기 결과의 예측 값을 획득하는 단계
   를 포함하는,
   승부 예측 방법.
10. 승부 예측 방법을 수행하는 뉴럴 네트워크 기반의 승부 예측 장치에 있어서,
    과거에 수행된 경기에 대한 경기 데이터를 수집하는 데이터 수집부;
    상기 경기 데이터 대하여 데이터 전처리를 수행하는 데이터 전처리부;
    경기 결과에 대한 예측 값을 출력하는 승부 예측 모델;
    상기 데이터 전처리가 수행된 경기 데이터를 이용하여 승부 예측 모델을 학습시키는 학습부; 및
    상기 데이터 수집부가 수집한 데이터를 저장하는 데이터베이스
    를 포함하고,
    상기 승부 예측 모델은, LSTM(Long short-term memory) 모델이고,
    상기 학습부는,
    상기 승부 예측 모델로부터 획득한 출력 값이, 라벨링이 수행된 팀별 통계 데이터와 가장 유사한 것으로 나타날 때의 상기 LSTM 모델의 은닉층의 개수와 각 은닉층에 포함된 인공 뉴런들의 개수를 최적의 설정 정보로 결정하고,
    과거에 수행된 제1 경기 시즌에 대한 경기 데이터를 학습 데이터로서 이용하여 상기 승부 예측 모델을 통해 제2 경기 시즌에 대응하는 경기 결과를 예측하고, 상기 제2 경기 시즌에 대응하는 예측된 경기 결과와 실제 제2 경기 시즌에 대한 경기 결과에 기초하여 상기 승부 예측 모델을 학습시키는,
    승부 예측 장치.

Images