KR102443007B1 - win-loss prediction system - Google Patents

win-loss prediction system Download PDF

Info

Publication number
KR102443007B1
KR102443007B1 KR1020207032988A KR20207032988A KR102443007B1 KR 102443007 B1 KR102443007 B1 KR 102443007B1 KR 1020207032988 A KR1020207032988 A KR 1020207032988A KR 20207032988 A KR20207032988 A KR 20207032988A KR 102443007 B1 KR102443007 B1 KR 102443007B1
Authority
KR
South Korea
Prior art keywords
game
predetermined scene
match
machine learning
analysis target
Prior art date
Application number
KR1020207032988A
Other languages
Korean (ko)
Other versions
KR20210136828A (en
Inventor
타쿠야 타케모토
세이야 미야자키
카나 네기시
바트빌군 미아클라이
하츠미 스즈키
박정선
김동현
오성택
이용석
Original Assignee
가부시키가이샤 덴츠
데이타 아티스트 인크
(주)팀트웰브
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 가부시키가이샤 덴츠, 데이타 아티스트 인크, (주)팀트웰브 filed Critical 가부시키가이샤 덴츠
Publication of KR20210136828A publication Critical patent/KR20210136828A/en
Application granted granted Critical
Publication of KR102443007B1 publication Critical patent/KR102443007B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Processing (AREA)

Abstract

분석 대상의 시합 중의 영상으로부터, 그 시합의 승패 결과를 예측할 수 있는 승패 예측 시스템을 제공한다.
승패 예측 시스템(1)은, 분석 대상의 시합 중의 영상을 취득하는 영상 취득부(2)와, 분석 대상의 시합 중의 영상으로부터 시합 중에 있어서의 공 점유율(ball possession)을 추정하는 제1시스템(4)과, 분석 대상의 시합 중의 영상으로부터 시합 중에 발생하는 이벤트를 추정하는 제2시스템(5)과, 제1시스템(4)의 검출 결과와 제2시스템(5)의 검출 결과로부터 시합의 승패 결과를 예측하는 제3시스템(6)을 구비한다. A win-loss prediction system capable of predicting a win/loss result of a game to be analyzed from a video in a game to be analyzed is provided.
The win-loss prediction system 1 includes a video acquisition unit 2 that acquires a video in a game to be analyzed, and a first system 4 that estimates ball possession during a match from a video in a match to be analyzed. ), a second system (5) for estimating an event occurring during a match from an image during a match to be analyzed, and a match result from the detection result of the first system (4) and the detection result of the second system (5) and a third system (6) for predicting

Description

승패 예측 시스템 win-loss prediction system

본 발명은, 시합의 승패 결과를 예측할 수 있는 승패 예측 시스템에 관한 것이다. The present invention relates to a win-loss prediction system capable of predicting the outcome of a match.

종래, 축구팀의 전력을 분석하는 시스템이 제안되어 있다. 종래의 시스템에서는, 예를 들면, 축구팀에 관한 기존 데이터베이스로부터 각 축구팀에 대해 홈과 어웨이로 나눈 정성적 강함을 반영하는 참고 지표로서의 승패 결과 코드 및 각 축구팀의 다른 관련 데이터 항목을 수집하여 기억하고, 수집한 참고 지표로서의 승패 결과 코드와 다른 관련 데이터 항목을 상관 분석에 의해 정성적으로 연관짓고, 연관지은 연관 지표를 기초로 하여 각 축구팀의 홈과 어웨이로 나눈 선형 합 연산에 의한 정성적인 전력 평가가 이루어진다(예를 들면 특허문헌 1 참조). Conventionally, a system for analyzing the power of a soccer team has been proposed. In the conventional system, for example, a win/loss result code and other related data items of each soccer team are collected from an existing database on soccer teams as reference indicators reflecting the qualitative strength divided by home and away for each soccer team. Qualitatively by the linear sum operation divided by the home and away of each soccer team based on the correlation analysis by qualitatively correlating the win/loss result code as a reference index and other related data items that are memorized and collected. Evaluative power is evaluated (see, for example, Patent Document 1).

일본 공개특허공보 2004-110826호 공보Japanese Patent Laid-Open No. 2004-110826

그러나, 종래의 시스템에 있어서는, 축구팀의 전력을 분석할 수 있지만, 시합의 승패 결과를 예측할 수는 없었다. However, in the conventional system, although the power of a soccer team can be analyzed, the outcome of a match cannot be predicted.

본 발명은, 상기한 과제를 해결하기 위한 것으로서, 시합의 승패 결과를 예측할 수 있는 승패 예측 시스템을 제공하는 것을 목적으로 한다. An object of the present invention is to provide a win/loss prediction system capable of predicting a win/loss result of a game in order to solve the above problems.

본 발명의 승패 예측 시스템은, 분석 대상의 시합 중의 영상을 취득하는 영상 취득부와, 상기 시합 중에 있어서의 공 점유율(ball possession)을 추정하는 제1시스템과, 상기 시합 중에 발생하는 이벤트를 추정하는 제2시스템과, 상기 제1시스템의 검출 결과와 상기 제2시스템의 검출 결과로부터 상기 시합의 승패 결과를 예측하는 제3시스템을 구비하고, 상기 제1시스템은, 과거의 시합의 소정 신(scene)의 영상과, 해당 과거의 시합의 소정 신에 있어서의 선수와 공의 위치에 관한 정보의 관계를, 기계 학습에 의해 분석하는 제1기계 학습부와, 상기 제1기계 학습부에서 분석한 관계에 기초하여, 상기 영상 취득부에서 취득한 상기 분석 대상의 시합 중의 소정 신의 영상을 입력으로 하여, 해당 분석 대상의 시합의 소정 신에 있어서의 선수와 공의 위치를 추정하여 출력하는 제1추정부와, 상기 제1추정부에서 출력된 상기 선수와 공의 위치에 기초하여, 상기 분석 대상의 시합의 소정 신에 있어서의 공 점유율을 판정하여 출력하는 제1판정부를 구비하고, 상기 제2시스템은, 과거의 시합의 소정 신의 영상과, 해당 과거의 시합 중의 소정 신에서 발생한 이벤트에 관한 정보의 관계를, 기계 학습에 의해 분석하는 제2기계 학습부와, 상기 제2기계 학습부에서 분석한 관계에 기초하여, 상기 영상 취득부에서 취득한 상기 분석 대상의 시합 중의 소정 신의 영상을 입력으로 하여, 해당 분석 대상의 시합 중의 소정 신에서 발생한 이벤트를 추정하여 출력하는 제2추정부를 구비하고, 상기 제3시스템은, 과거의 시합의 소정 신에 있어서의 공 점유율, 상기 소정 신에서 발생한 이벤트, 시합 시작에서부터 상기 소정 신까지의 경과 시간, 상기 소정 신의 시점에 있어서의 득실점에 관한 정보와, 해당 과거의 시합의 승패 결과의 관계를, 기계 학습에 의해 분석하는 제3기계 학습부와, 상기 제3기계 학습부에서 분석한 관계에 기초하여, 상기 제1판정부에서 출력된 상기 분석 대상의 시합의 소정 신에 있어서의 공 점유율, 상기 제2추정부에서 출력된 상기 분석 대상의 시합의 소정 신에서 발생한 이벤트, 상기 분석 대상의 시합 시작에서부터 상기 소정 신까지의 경과 시간, 상기 분석 대상의 시합의 소정 신의 시점에 있어서의 득실점에 관한 정보를 입력으로 하여, 해당 분석 대상의 시합의 소정 신의 시점에 있어서 예상되는 시합의 승패 결과를 추정하여 출력하는 제3추정부를 구비하고 있다. The win-loss prediction system of the present invention includes a video acquisition unit for acquiring an image during a game to be analyzed, a first system for estimating ball possession during the match, and an event for estimating an event occurring during the match a second system; and a third system for predicting a win/loss result of the match from a detection result of the first system and a detection result of the second system, wherein the first system comprises: a predetermined scene of a past game; ), the first machine learning unit that analyzes the relationship between the information on the position of the player and the ball in a predetermined scene of the match in the past, by machine learning, and the relationship analyzed by the first machine learning unit a first estimator for estimating and outputting the positions of players and balls in a predetermined scene of a game of the analysis target by inputting an image of a predetermined scene in a game of the analysis target obtained by the image acquisition unit based on and a first determination unit that determines and outputs the ball share in a predetermined scene of the game to be analyzed based on the positions of the player and the ball output from the first estimation unit, wherein the second system comprises: A second machine learning unit that analyzes a relationship between a video of a predetermined scene in a past match and information about an event occurring in a predetermined scene in the past match by machine learning, and the relationship analyzed by the second machine learning unit a second estimator for estimating and outputting an event occurring in a predetermined scene during a game of the analysis target based on the video obtained by the image acquisition unit of the game of the analysis target as an input, and outputting the third system; is the ball share in a predetermined scene of a past match, an event that occurred in the predetermined scene, the elapsed time from the start of the game to the predetermined scene, information about the goals scored at the time in the predetermined scene, and information about the previous game; A third machine learning unit that analyzes the relationship between win/loss results by machine learning, and a predetermined scene of the game to be analyzed outputted from the first determination unit based on the relationship analyzed by the third machine learning unit ball share in An event occurring in a predetermined scene of the game of the analysis target outputted from the second estimation unit, the elapsed time from the start of the game of the analysis target to the predetermined scene, and the goals scored at the time of the predetermined scene of the game of the analysis target and a third estimating unit for estimating and outputting a result of winning or losing a match expected at a predetermined time point of a game to be analyzed by inputting related information.

이 구성에 의하면, 우선, 분석 대상의 시합 중의 소정 신의 영상이 입력되면, 기계 학습으로 분석한 관계(과거의 시합의 소정 신의 영상과, 그 과거의 시합의 소정 신에 있어서의 선수와 공의 위치에 관한 정보의 관계)를 사용하여, 그 소정 신에 있어서의 선수와 공의 위치가 추정된다. 그리고, 추정된 선수와 공의 위치에 기초하여, 그 소정 신에 있어서의 공 점유율이 판정된다. 또한, 분석 대상의 시합 중의 소정 신의 영상이 입력되면, 기계 학습으로 분석한 관계(과거의 시합의 소정 신의 영상과, 그 과거의 시합 중의 소정 신에서 발생한 이벤트에 관한 정보의 관계)를 사용하여, 그 소정 신에서 발생한 이벤트(예를 들면, 골 앞까지 공격해가서 슛을 했다 등)이 추정된다. 그리고, 분석 대상의 시합의 소정 신에 있어서의 공 점유율(판정된 공 점유율), 그 소정 신에서 발생한 이벤트(추정된 이벤트), 그 소정 신까지의 경과 시간, 그 소정 신에 있어서의 득실점에 관한 정보가 입력되면, 기계 학습으로 분석한 관계(과거의 시합의 소정 신에 있어서의 공 점유율, 그 소정 신에서 발생한 이벤트, 그 소정 신까지의 경과 시간, 그 소정 신의 시점에 있어서의 득실점에 관한 정보와, 해당 과거의 시합의 승패 결과의 관계)를 사용하여, 그 소정 신의 시점에 있어서 실시간으로 예상되는 시합의 승패 결과가 추정된다. 이와 같이 하여, 분석 대상의 시합 중의 영상으로부터, 그 시합의 승패 결과를 실시간으로 예측할 수 있다. According to this configuration, first, when an image of a predetermined scene in a game to be analyzed is input, the relationship analyzed by machine learning (an image of a predetermined scene in a past game and the position of a player and a ball in a predetermined scene of a past game) is first inputted. relationship), the position of the player and the ball in the given scene is estimated. Then, based on the estimated position of the player and the ball, the ball occupancy in the predetermined scene is determined. In addition, when an image of a predetermined scene in a game to be analyzed is input, using a relationship analyzed by machine learning (relationship between images of a predetermined scene in a past match and information about an event occurring in a predetermined scene in the past match), An event that occurred in the predetermined scene (for example, attacked to the front of the goal and shot, etc.) is estimated. Then, the ball share (determined ball share) in a given scene of the game to be analyzed, the event that occurred in the given scene (estimated event), the elapsed time until the given scene, and the goals scored in the given scene When related information is input, the relationship analyzed by machine learning (ball share in a predetermined scene of past matches, an event that occurred in that predetermined scene, elapsed time until that predetermined scene, and goals scored at that predetermined scene) using the related information and the win/loss result of the match in the past), the match win/loss result expected in real time at the time of the predetermined scene is estimated. In this way, from the video in the game to be analyzed, the outcome of the match can be predicted in real time.

또한, 본 발명의 승패 예측 시스템에서는, 상기 제3시스템은, 상기 분석 대상의 시합 중의 소정 신의 영상을 화상 분석하여, 해당 소정 신의 상기 분석 대상의 시합 시작에서부터 상기 소정 신까지의 경과 시간, 상기 분석 대상의 시합의 소정 신의 시점에 있어서의 득실점에 관한 정보를 취득하는 화상 분석부를 구비해도 좋다. Further, in the win-loss prediction system of the present invention, the third system image-analyzes the video of a predetermined scene during the game of the analysis target, and the elapsed time from the start of the game of the analysis target of the predetermined scene to the predetermined scene, the analysis An image analysis unit may be provided for acquiring information about goals scored at a predetermined scene in a target match.

이 구성에 의하면, 분석 대상의 시합 중의 소정 신의 영상을 화상 분석하는 것에 의해, 그 소정 신까지의 경과 시간, 그 소정 신의 시점에 있어서의 득실점에 관한 정보를 취득할 수 있다. 화상 분석에 의해 취득된 정보(그 소정 신까지의 경과 시간, 그 소정 신의 시점에 있어서의 득실점에 관한 정보)는, 제3추정부에 입력하여, 그 시합의 승패 결과의 추정에 사용할 수 있다. According to this configuration, by performing image analysis of a video of a predetermined scene in a game to be analyzed, information regarding the elapsed time until the predetermined scene and the score at the time of the predetermined scene can be acquired. The information obtained by image analysis (the elapsed time until the given scene, information about the goals scored at the time of the given scene) is input to the third estimation unit, and can be used for estimating the outcome of the match. .

또한, 본 발명의 승패 예측 시스템에서는, 상기 제3추정부는, 상기 분석 대상의 시합의 소정 신의 시점에 있어서 실시간으로 예상되는 승패 결과로서, 승리의 확률, 패배의 확률, 무승부의 확률을 각각 추정하여 출력해도 좋다. In addition, in the win-loss prediction system of the present invention, the third estimator estimates the probability of victory, the probability of defeat, and the probability of a draw, respectively, as the expected win/loss result in real time at a predetermined scene of the game to be analyzed. You can print it out.

이 구성에 의하면, 예상되는 승패 결과로서, 승리의 확률, 패배의 확률, 무승부의 확률이 출력되기 때문에, 승패 결과를 한눈에 간단히 이해할 수 있다. According to this configuration, since the probability of victory, the probability of defeat, and the probability of a draw are output as expected win/loss results, the win/loss result can be easily understood at a glance.

본 발명의 승패 예측 방법은, 분석 대상의 시합 중의 영상을 취득하는 영상 취득부와, 상기 시합 중에 있어서의 공 점유율을 추정하는 제1시스템과, 상기 시합 중에 발생하는 이벤트를 추정하는 제2시스템과, 상기 제1시스템의 검출 결과와 상기 제2시스템의 검출 결과로부터 상기 시합의 승패 결과를 예측하는 제3시스템을 구비하는 승패 예측 시스템으로 실행되는 승패 예측 방법이고, 상기 제1시스템에 있어서, 과거의 시합의 소정 신의 영상과, 해당 과거의 시합의 소정 신에 있어서의 선수와 공의 위치에 관한 정보의 관계를, 기계 학습에 의해 분석하는 제1기계 학습 스텝과, 상기 제1기계 학습 스텝에서 분석한 관계에 기초하여, 상기 영상 취득부에서 취득한 상기 분석 대상의 시합 중의 소정 신의 영상을 입력으로 하여, 해당 분석 대상의 시합의 소정 신에 있어서의 선수와 공의 위치를 추정하여 출력하는 제1추정 스텝과, 상기 제1추정 스텝에서 출력된 상기 선수와 공의 위치에 기초하여, 상기 분석 대상의 시합의 소정 신에 있어서의 공 점유율을 판정하여 출력하는 제1판정 스텝을 실행하는 것과, 상기 제2시스템에 있어서, 과거의 시합의 소정 신의 영상과, 해당 과거의 시합 중의 소정 신에서 발생한 이벤트에 관한 정보의 관계를, 기계 학습에 의해 분석하는 제2기계 학습 스텝과, 상기 제2기계 학습 스텝에서 분석한 관계에 기초하여, 상기 영상 취득부에서 취득한 상기 분석 대상의 시합 중의 소정 신의 영상을 입력으로 하여, 해당 분석 대상의 시합 중의 소정 신에서 발생한 이벤트를 추정하여 출력하는 제2추정 스텝을 실행하는 것과, 상기 제3시스템에 있어서, 과거의 시합의 소정 신에 있어서의 공 점유율, 상기 소정 신에서 발생한 이벤트, 시합 시작에서부터 상기 소정 신까지의 경과 시간, 상기 소정 신의 시점에 있어서의 득실점에 관한 정보와, 해당 과거의 시합의 승패 결과의 관계를, 기계 학습에 의해 분석하는 제3기계 학습 스텝과, 상기 제3기계 학습 스텝에서 분석한 관계에 기초하여, 상기 제1판정 스텝에서 출력된 상기 분석 대상의 시합의 소정 신에 있어서의 공 점유율, 상기 제2추정 스텝에서 출력된 상기 분석 대상의 시합의 소정 신에서 발생한 이벤트, 상기 분석 대상의 시합 시작에서부터 상기 소정 신까지의 경과 시간, 상기 분석 대상의 시합의 소정 신의 시점에 있어서의 득실점에 관한 정보를 입력으로 하여, 해당 분석 대상의 시합의 소정 신의 시점에 있어서 예상되는 시합의 승패 결과를 추정하여 출력하는 제3추정 스텝을 실행한다. The win-loss prediction method of the present invention comprises: an image acquisition unit for acquiring an image during a game to be analyzed; a first system for estimating the ball occupancy during the match; and a second system for estimating an event occurring during the match; , a win/loss prediction method executed by a win/loss prediction system including a third system for predicting a win/loss result of the game from a detection result of the first system and a detection result of the second system, wherein in the first system, a first machine learning step of analyzing the relationship between the video of a predetermined scene of the match and the information regarding the position of the player and the ball in the predetermined scene of the previous match, by machine learning, and in the first machine learning step a first for estimating and outputting the position of a player and a ball in a predetermined scene of a game of the analysis target by inputting an image of a predetermined scene in a game of the analysis target obtained by the image acquisition unit based on the analyzed relationship executing an estimation step and a first determination step of determining and outputting the ball occupancy in a predetermined scene of the game to be analyzed based on the position of the player and the ball output in the first estimation step; In a second system, a second machine learning step of analyzing a relationship between a video of a predetermined scene in a past game and information about an event occurring in a predetermined scene in the past game by machine learning; A second estimation step of estimating and outputting an event occurring in a predetermined scene in a game of the analysis target by inputting the image of a predetermined scene during the game of the analysis target obtained by the image acquisition unit based on the relationship analyzed in the step as an input; and, in the third system, the ball share in a predetermined scene of a past game, an event occurring in the predetermined scene, the elapsed time from the start of the game to the predetermined scene, and points scored in the predetermined scene Based on the third machine learning step of analyzing the relationship between the information on and the win/loss result of the past match by machine learning, and the relationship analyzed in the third machine learning step, the first The ball share in a given scene of the game to be analyzed outputted in the judgment step, an event occurring in the predetermined scene of the game to be analyzed outputted in the second estimation step, from the start of the game to the analysis to the predetermined scene A third inputting the elapsed time of , information about the goals scored at the time of a predetermined scene of the game of the analysis target as inputs, and estimating and outputting the expected result of winning or losing the match at the time of the predetermined scene of the game of the analysis target as input Execute the estimation step.

이 방법에 의해서도, 상기한 시스템과 동일하게, 우선, 분석 대상의 시합 중의 소정 신의 영상이 입력되면, 기계 학습으로 분석한 관계(과거의 시합의 소정 신의 영상과, 그 과거의 시합의 소정 신에 있어서의 선수와 공의 위치에 관한 정보의 관계)를 사용하여, 그 소정 신에 있어서의 선수와 공의 위치가 추정된다. 그리고, 추정된 선수와 공의 위치에 기초하여, 그 소정 신에 있어서의 공 점유율이 판정된다. 또한, 분석 대상의 시합 중의 소정 신의 영상이 입력되면, 기계 학습으로 분석한 관계(과거의 시합의 소정 신의 영상과, 그 과거의 시합 중의 소정 신에서 발생한 이벤트에 관한 정보의 관계)를 사용하여, 그 소정 신에서 발생한 이벤트(예를 들면, 골 앞까지 공격해가서 슛을 했다 등)이 추정된다. 그리고, 분석 대상의 시합의 소정 신에 있어서의 공 점유율(판정된 공 점유율), 그 소정 신에서 발생한 이벤트(추정된 이벤트), 그 소정 신까지의 경과 시간, 그 소정 신에 있어서의 득실점에 관한 정보가 입력되면, 기계 학습으로 분석한 관계(과거의 시합의 소정 신에 있어서의 공 점유율, 그 소정 신에서 발생한 이벤트, 그 소정 신까지의 경과 시간, 그 소정 신의 시점에 있어서의 득실점에 관한 정보와, 해당 과거의 시합의 승패 결과의 관계)를 사용하여, 그 소정 신의 시점에 있어서 실시간으로 예상되는 시합의 승패 결과가 추정된다. 이와 같이 하여, 분석 대상의 시합 중의 영상으로부터, 그 시합의 승패 결과를 실시간으로 예측할 수 있다. Also with this method, similarly to the system described above, first, when a video of a predetermined scene in a game to be analyzed is input, the relationship (image of a predetermined scene of a past game and a predetermined scene of that past game) is analyzed by machine learning. The position of the player and the ball in the given scene is estimated using the relationship between the information on the position of the player and the ball in the given scene). Then, based on the estimated position of the player and the ball, the ball occupancy in the predetermined scene is determined. In addition, when an image of a predetermined scene in a game to be analyzed is input, using a relationship analyzed by machine learning (relationship between images of a predetermined scene in a past match and information about an event occurring in a predetermined scene in the past match), An event that occurred in the predetermined scene (for example, attacked to the front of the goal and shot, etc.) is estimated. Then, the ball share (determined ball share) in a given scene of the game to be analyzed, the event that occurred in the given scene (estimated event), the elapsed time until the given scene, and the goals scored in the given scene When related information is input, the relationship analyzed by machine learning (ball share in a predetermined scene of past matches, an event that occurred in that predetermined scene, elapsed time until that predetermined scene, and goals scored at that predetermined scene) using the related information and the win/loss result of the match in the past), the match win/loss result expected in real time at the time of the predetermined scene is estimated. In this way, from the video in the game to be analyzed, the outcome of the match can be predicted in real time.

본 발명에 의하면, 분석 대상의 시합 중의 영상으로부터, 그 시합의 승패 결과를 예측할 수 있다. According to the present invention, the outcome of the match can be predicted from the video during the match to be analyzed.

도 1은, 본 발명의 실시예에 있어서의 승패 예측 시스템의 구성을 나타내는 도면이다.
도 2는, 본 발명의 실시예에 있어서의 제1시스템의 블록도이다.
도 3은, 본 발명의 실시예에 있어서의 공 점유율의 판정 예를 나타내는 도면이다.
도 4는, 본 발명의 실시예에 있어서의 제2시스템의 블록도이다.
도 5는, 본 발명의 실시예에 있어서의 이벤트의 예를 나타내는 도면이다.
도 6은, 본 발명의 실시예에 있어서의 제3시스템의 블록도이다.
도 7은, 본 발명의 실시예에 있어서의 승패 예측의 예를 나타내는 도면이다.
도 8은, 본 발명의 실시예에 있어서의 승패 예측 시스템의 동작(처리의 흐름)을 나타내는 도면이다. BRIEF DESCRIPTION OF THE DRAWINGS It is a figure which shows the structure of the win-loss prediction system in the Example of this invention.
Fig. 2 is a block diagram of the first system in the embodiment of the present invention.
3 : is a figure which shows the determination example of the occupancy of the ball in the Example of this invention.
Fig. 4 is a block diagram of the second system according to the embodiment of the present invention.
Fig. 5 is a diagram showing an example of an event in the embodiment of the present invention.
Fig. 6 is a block diagram of the third system in the embodiment of the present invention.
Fig. 7 is a diagram showing an example of win/loss prediction in the embodiment of the present invention.
Fig. 8 is a diagram showing the operation (process flow) of the win-loss prediction system according to the embodiment of the present invention.

이하, 본 발명의 실시예의 승패 예측 시스템에 대해, 도면을 참조하여 설명한다. 본 실시예에서는, 축구 등의 시합의 승패 예측에 사용되는 승패 예측 시스템의 경우를 예시한다. Hereinafter, a win-loss prediction system according to an embodiment of the present invention will be described with reference to the drawings. The present embodiment exemplifies the case of a win/loss prediction system used for predicting win/loss of matches such as soccer.

본 발명의 실시예의 승패 예측 시스템의 구성을, 도면을 참조하여 설명한다. 도 1은, 본 실시예의 승패 예측 시스템의 구성을 나타내는 도면이다. 도 1에 나타내는 바와 같이, 승패 예측 시스템(1)은, 네트워크(N)를 통해 시합 촬영 시스템(10)과 접속되어 있다. 시합 촬영 시스템(10)은, 축구 등의 시합 중의 영상을 촬영하는 촬영부(11)와, 촬영한 영상을 네트워크(N)를 통해 전송하는 영상 전송부(12)를 구비하고 있다. The configuration of the win-loss prediction system according to the embodiment of the present invention will be described with reference to the drawings. Fig. 1 is a diagram showing the configuration of a win-loss prediction system according to the present embodiment. As shown in FIG. 1 , the win-loss prediction system 1 is connected to the game imaging system 10 via a network N. The game photographing system 10 includes a photographing unit 11 that captures an image during a game such as soccer, and a video transmission unit 12 that transmits the photographed image through a network N.

도 1에 나타내는 바와 같이, 승패 예측 시스템(1)은, 시합 촬영 시스템(10)으로부터 전송된 시합 중의 영상(분석 대상의 시합 중의 영상)을 취득하는 영상 취득부(2)와, 시합 중에 있어서의 공 점유율을 추정하는 제1시스템(4)과, 시합 중에 발생하는 이벤트를 추정하는 제2시스템(5)과, 제1시스템(4)의 검출 결과와 제2시스템(5)의 검출 결과로부터 시합의 승패 결과를 예측하는 제3시스템(6)을 구비하고 있다. 또한, 승패 예측 시스템(1)은, 과거의 시합의 영상 데이터가 기억되는 영상 기억부(3)를 구비하고 있다. 한편, 영상 기억부(3)에는, 시합 촬영 시스템(10)으로부터 전송된 시합 중의 영상(분석 대상의 시합 중의 영상)이 기억되어도 좋다. As shown in FIG. 1 , the win-loss prediction system 1 includes a video acquisition unit 2 that acquires a video in a match (video in a match to be analyzed) transmitted from the match shooting system 10, and A first system (4) for estimating ball occupancy, a second system (5) for estimating an event occurring during a match, and a match based on the detection result of the first system (4) and the detection result of the second system (5) A third system (6) for predicting a win/loss result is provided. Moreover, the win-loss prediction system 1 is equipped with the video|video storage part 3 in which video|video data of a past game is memorize|stored. On the other hand, the video storage unit 3 may store a video in a match (video in a match to be analyzed) transmitted from the match shooting system 10 .

도 2는, 제1시스템(4)의 블록도이다. 도 2에 나타내는 바와 같이, 제1시스템(4)은, 제1입출력부(40)와, 제1기계 학습부(41)와, 제1추정부(42)와, 제1판정부(43)를 구비하고 있다. 2 is a block diagram of the first system 4 . As shown in FIG. 2 , the first system 4 includes a first input/output unit 40 , a first machine learning unit 41 , a first estimation unit 42 , and a first determination unit 43 . is equipped with

제1입출력부(40)에는, 영상 기억부(3)에 기억된 과거의 시합의 영상이나, 영상 취득부(2)에서 취득한 분석 대상의 시합 중의 영상이 입력된다. 제1입출력부(40)로부터는, 제1판정부(43)에서의 판정 결과의 정보(분석 대상의 시합의 소정 신에 있어서의 공 점유율의 정보)가 출력된다. An image of a past match stored in the image storage unit 3 and an image of an analysis target game acquired by the image acquisition unit 2 are input to the first input/output unit 40 . From the first input/output unit 40, information on the determination result by the first determination unit 43 (information on ball share in a predetermined scene of the game to be analyzed) is output.

제1기계 학습부(41)는, 영상 기억부(3)에 기억된 과거의 시합의 소정 신의 영상과, 해당 과거의 시합의 소정 신에 있어서의 선수와 공의 위치에 관한 정보의 관계를, 기계 학습에 의해 분석한다. 이 기계 학습에는, 뉴럴 네트워크에 의한 딥러닝 등의 임의의 수법이 사용된다. 예를 들면, 뉴럴 네트워크이면, 과거의 시합의 소정 신의 영상을 입력층에 입력하고, 그 과거의 시합의 소정 신에 있어서의 선수와 공의 위치에 관한 정보를 출력층으로부터 출력하도록 구성한다. 그리고, 입력층에 입력하는 데이터와 출력층으로부터 출력되는 데이터가 링크된 분석용 데이터를 사용한 지도 학습(supervised learning)에 의해, 뉴럴 네트워크의 뉴런 간의 가중 계수가 최적화된다. The first machine learning unit 41 compares the relationship between the image of a predetermined scene of a past game stored in the image storage unit 3 and the information on the position of the player and the ball in the predetermined scene of the past game, Analyze by machine learning. Arbitrary methods, such as deep learning by a neural network, are used for this machine learning. For example, in the case of a neural network, an image of a predetermined scene of a past game is input to the input layer, and information about the position of the player and the ball in the predetermined scene of the past game is output from the output layer. And, by supervised learning using data for analysis in which data input to the input layer and data output from the output layer are linked, the weighting coefficients between neurons of the neural network are optimized.

제1추정부(42)는, 제1기계 학습부(41)에서 분석한 관계에 기초하여, 영상 취득부(2)에서 취득한 분석 대상의 시합 중의 소정 신의 영상을 입력으로 하여, 그 분석 대상의 시합의 소정 신에 있어서의 선수와 공의 위치를 추정하여 출력한다. 예를 들면, 상기한 뉴럴 네트워크이면, 영상 취득부(2)에서 취득한 분석 대상의 시합 중의 소정 신의 영상을 입력층에 입력하고, 그 분석 대상의 시합의 소정 신에 있어서의 선수와 공의 위치에 관한 정보를 출력층으로부터 출력하는 것에 의해, 추정이 진행된다. Based on the relationship analyzed by the first machine learning unit 41, the first estimator 42 receives, as an input, an image of a predetermined scene during a game of the analysis target acquired by the image acquisition unit 2, The positions of the players and the ball in a given scene of the game are estimated and output. For example, in the case of the above-described neural network, an image of a predetermined scene in a game to be analyzed obtained by the image acquisition unit 2 is input to the input layer, and the position of the player and the ball in the predetermined scene of the game to be analyzed is input to the input layer. Estimation proceeds by outputting related information from the output layer.

제1판정부(43)는, 제1추정부(42)로부터 출력된 선수와 공의 위치에 기초하여, 분석 대상의 시합의 소정 신에 있어서의 공 점유율(어느 팀이 공을 소지하고 있는지)을 판정하여 출력한다. 예를 들면, 제1판정부(43)는, 공과 선수의 거리에 기초하여, 공과의 거리가 가장 가까운 선수측의 팀이, 공을 소지하고 있는 팀인 것으로 판정한다. The first judging unit 43, based on the position of the player and the ball output from the first estimating unit 42, determines the share of the ball (which team owns the ball) in a predetermined scene of the game to be analyzed. is determined and output. For example, based on the distance between the ball and the player, the first determination unit 43 determines that the team on the side of the player with the closest distance to the ball is the team in possession of the ball.

도 3은, 공 점유율의 판정 예를 나타내는 도면이다. 도 3에서는, 왼쪽에서 오른쪽으로 공격하는 팀(A팀)의 선수가 “사선 처리된 삼각형”으로 도시되어 있고, 오른쪽에서 왼쪽으로 공격하는 팀(B팀)의 선수가 “흰 삼각형”으로 도시되어 있다. 또한, 공은 “흑 원”으로 도시되어 있다. 이 도 3의 예에서는, 공과의 거리가 가장 가까운 선수는, A팀의 선수이기 때문에, A팀이 공을 소지하고 있는 팀인 것으로 판정된다. 3 is a diagram showing an example of determination of ball occupancy. In FIG. 3, the players of the team attacking from left to right (team A) are shown as “slanted triangles”, and players of the team attacking from right to left (team B) are shown as “white triangles”. have. Also, the ball is shown as a “black circle”. In the example of Fig. 3, since the player with the closest distance to the ball is a player of team A, it is determined that team A is the team in possession of the ball.

도 4는, 제2시스템(5)의 블록도이다. 도 4에 나타내는 바와 같이, 제2시스템(5)은, 제2입출력부(50)와, 제2기계 학습부(51)와, 제2추정부(52)를 구비하고 있다. 4 is a block diagram of the second system 5 . As shown in FIG. 4 , the second system 5 includes a second input/output unit 50 , a second machine learning unit 51 , and a second estimation unit 52 .

제2입출력부(50)에는, 영상 기억부(3)에 기억된 과거의 시합의 영상이 입력된다. 제2입출력부(50)로부터는, 제2추정부(52)에서의 추정 결과의 정보(분석 대상의 시합의 소정 신에서 발생한 이벤트의 정보)가 출력된다. The video of the past game stored in the video storage section 3 is input to the second input/output section 50 . From the second input/output unit 50 , information on the estimation result by the second estimation unit 52 (information of an event occurring in a predetermined scene of the game to be analyzed) is output.

제2기계 학습부(51)는, 과거의 시합의 소정 신의 영상과, 해당 과거의 시합 중의 소정 신에서 발생한 이벤트에 관한 정보의 관계를, 기계 학습에 의해 분석한다. 이 기계 학습에는, 뉴럴 네트워크에 의한 딥러닝 등의 임의의 수법이 사용된다. 예를 들면, 뉴럴 네트워크이면, 과거의 시합의 소정 신의 영상을 입력층에 입력하고, 그 과거의 시합 중의 소정 신에서 발생한 이벤트에 관한 정보를 출력층으로부터 출력하도록 구성한다. 그리고, 입력층에 입력하는 데이터와 출력층으로부터 출력되는 데이터가 링크된 분석용 데이터를 사용한 지도 학습에 의해, 뉴럴 네트워크의 뉴런 간의 가중 계수가 최적화된다. The second machine learning unit 51 analyzes a relationship between a video of a predetermined scene in a past game and information about an event occurring in a predetermined scene in the past game by machine learning. Arbitrary methods, such as deep learning by a neural network, are used for this machine learning. For example, in the case of a neural network, an image of a predetermined scene of a past game is input to the input layer, and information about an event occurring in a predetermined scene in the past game is output from the output layer. Then, by supervised learning using data for analysis in which data input to the input layer and data output from the output layer are linked, the weighting coefficients between neurons of the neural network are optimized.

제2추정부(52)는, 제2기계 학습부(51)에서 분석한 관계에 기초하여, 영상 취득부(2)에서 취득한 분석 대상의 시합 중의 소정 신의 영상을 입력으로 하여, 해당 분석 대상의 시합 중의 소정 신에서 발생한 이벤트를 추정하여 출력한다. 예를 들면, 상기한 뉴럴 네트워크이면, 영상 취득부(2)에서 취득한 분석 대상의 시합 중의 소정 신의 영상을 입력층에 입력하고, 그 분석 대상의 시합 중의 소정 신에서 발생한 이벤트에 관한 정보를 출력층으로부터 출력하는 것에 의해, 추정이 진행된다. Based on the relationship analyzed by the second machine learning unit 51, the second estimator 52 receives the image of a predetermined scene during the game of the analysis target acquired by the image acquisition unit 2 as an input, An event occurring in a predetermined scene during a match is estimated and output. For example, in the case of the above-described neural network, an image of a predetermined scene during an analysis target game acquired by the image acquisition unit 2 is input to the input layer, and information about an event occurring in a predetermined scene during the analysis target game is transmitted from the output layer. By outputting, estimation proceeds.

도 5는, 시합 중의 소정 신에서 발생하는 이벤트의 예를 나타내는 도면이다. 도 5에서는, 공을 소지하고 있는 팀에 대해 발생하는 이벤트의 예가 제시되어 있다. 예를 들면, 공격이 성공한 경우의 이벤트의 예로서는 “드리블 돌파 성공” “패스 성공” “슛 성공” 등을 들 수 있다. 또한, 공격이 실패한 경우의 이벤트의 예로서는 “드리블 돌파 실패” “패스 실패” “슛 실패” 등을 들 수 있다. Fig. 5 is a diagram showing an example of an event occurring in a predetermined scene during a game. In Figure 5, an example of an event that occurs for the team in possession of the ball is presented. For example, as an example of the event when an attack succeeds, "dribble breakthrough success", "pass success success", "shoot success success", etc. are mentioned. In addition, examples of the event when the attack fails include “dribble breakthrough failure”, “pass failure”, “shoot failure” and the like.

도 6은, 제3시스템(6)의 블록도이다. 도 6에 나타내는 바와 같이, 제3시스템(6)은, 제3입출력부(60)와, 제3기계 학습부(61)와, 제3추정부(62)를 구비하고 있다. 6 is a block diagram of the third system 6 . As shown in FIG. 6 , the third system 6 includes a third input/output unit 60 , a third machine learning unit 61 , and a third estimation unit 62 .

제3입출력부(60)에는, 과거의 시합의 소정 신에 있어서의 공 점유율, 그 소정 신에서 발생한 이벤트, 시합 시작에서부터 소정 신까지의 경과 시간, 소정 신의 시점에 있어서의 득실점에 관한 정보나, 제1판정부(43)로부터 출력된 분석 대상의 시합의 소정 신에 있어서의 공 점유율, 제2추정부(52)로부터 출력된 분석 대상의 시합의 소정 신에서 발생한 이벤트, 분석 대상의 시합 시작에서부터 소정 신까지의 경과 시간, 분석 대상의 시합의 소정 신의 시점에 있어서의 득실점에 관한 정보가 입력된다. 제3입출력부(60)로부터는, 제3추정부(62)에서의 추정 결과의 정보(분석 대상의 시합의 소정 신의 시점에 있어서 예상되는 시합의 승패 결과의 정보)가 출력된다. The third input/output unit 60 includes information about ball share in a predetermined scene of a past match, an event that occurred in the predetermined scene, the elapsed time from the start of the match to the predetermined scene, and information on goals and runs at the predetermined scene; , the ball share in a given scene of the game of the analysis target outputted from the first determination unit 43, the event occurring in the predetermined scene of the game of the analysis target outputted from the second estimating unit 52, and the start of the game of the analysis target Information regarding the elapsed time from to the predetermined scene and the goals scored at the time of the predetermined scene of the game to be analyzed is input. From the third input/output unit 60, information on the estimation result by the third estimation unit 62 (information on the result of winning or losing the game expected at the time of a predetermined scene of the game to be analyzed) is output.

제3기계 학습부(61)는, 과거의 시합의 소정 신에 있어서의 공 점유율, 소정 신에서 발생한 이벤트, 시합 시작에서부터 소정 신까지의 경과 시간, 소정 신의 시점에 있어서의 득실점에 관한 정보와, 해당 과거의 시합의 승패 결과의 관계를, 기계 학습에 의해 분석한다. 이 기계 학습에는, 뉴럴 네트워크에 의한 딥러닝 등의 임의의 수법이 사용된다. 예를 들면, 뉴럴 네트워크이면, 과거의 시합의 소정 신에 있어서의 공 점유율, 소정 신에서 발생한 이벤트, 시합 시작에서부터 소정 신까지의 경과 시간, 소정 신의 시점에 있어서의 득실점에 관한 정보를 입력층에 입력하고, 그 과거의 시합의 승패 결과에 관한 정보를 출력층으로부터 출력하도록 구성한다. 그리고, 입력층에 입력하는 데이터와 출력층으로부터 출력되는 데이터가 링크된 분석용 데이터를 사용한 지도 학습에 의해, 뉴럴 네트워크의 뉴런 간의 가중 계수가 최적화된다.The third machine learning unit 61 provides information on the ball share in a predetermined scene of a past match, an event occurring in the predetermined scene, the elapsed time from the start of the match to the predetermined scene, and information on the goals scored in the predetermined scene; , the relationship between the winning and losing results of the past game is analyzed by machine learning. Arbitrary methods, such as deep learning by a neural network, are used for this machine learning. For example, in the case of a neural network, information on ball share in a predetermined scene of a past match, an event occurring in the predetermined scene, the elapsed time from the start of the match to the predetermined scene, and information on the goals scored in the predetermined scene is input to the input layer. is inputted to the , and information about the win/loss result of the past match is outputted from the output layer. Then, by supervised learning using data for analysis in which data input to the input layer and data output from the output layer are linked, the weighting coefficients between neurons of the neural network are optimized.

제3추정부(62)는, 제3기계 학습부(61)에서 분석한 관계에 기초하여, 제1판정부(43)로부터 출력된 분석 대상의 시합의 소정 신에 있어서의 공 점유율, 제2추정부(52)로부터 출력된 분석 대상의 시합의 소정 신에서 발생한 이벤트, 분석 대상의 시합 시작에서부터 소정 신까지의 경과 시간, 분석 대상의 시합의 소정 신의 시점에 있어서의 득실점에 관한 정보를 입력으로 하여, 해당 분석 대상의 시합의 소정 신의 시점에 있어서 예상되는 시합의 승패 결과를 추정하여 출력한다. 예를 들면, 상기한 뉴럴 네트워크이면, 제1판정부(43)로부터 출력된 분석 대상의 시합의 소정 신에 있어서의 공 점유율, 제2추정부(52)로부터 출력된 분석 대상의 시합의 소정 신에서 발생한 이벤트, 분석 대상의 시합 시작에서부터 소정 신까지의 경과 시간, 분석 대상의 시합의 소정 신의 시점에 있어서의 득실점에 관한 정보를 입력층에 입력하고, 그 분석 대상의 시합의 소정 신의 시점에 있어서 예상되는 시합의 승패 결과에 관한 정보를 출력층으로부터 출력하는 것에 의해, 추정이 진행된다. The third estimating unit 62, based on the relationship analyzed by the third machine learning unit 61, outputs the ball share, the second Inputs information about events occurring in a predetermined scene of the game to be analyzed outputted from the estimation unit 52, the elapsed time from the start of the game to be analyzed to the predetermined scene, and goals scored at the time of the predetermined scene in the game to be analyzed. Thus, the result of winning or losing the expected match at the time of a predetermined scene of the match to be analyzed is estimated and output. For example, in the case of the above-described neural network, the ball share in a predetermined scene of the game to be analyzed outputted from the first determination unit 43, and the predetermined scene of the game to be analyzed outputted from the second estimation unit 52 information about the event that occurred in , the elapsed time from the start of the game of the analysis target to the predetermined scene, and the goals scored at the time of the predetermined scene in the analysis target is input to the input layer, The estimation proceeds by outputting information on the expected result of winning or losing a match from the output layer.

한편, 제3시스템(6)은, 분석 대상의 시합 중의 소정 신의 영상을 화상 분석하여, 해당 소정 신의 분석 대상의 시합 시작에서부터 소정 신까지의 경과 시간, 분석 대상의 시합의 소정 신의 시점에 있어서의 득실점에 관한 정보를 취득하는 화상 분석부(미도시)를 구비해도 좋다. 이 화상 분석에는, 공지의 기술을 이용할 수 있다. 또한, 제3추정부(62)는, 분석 대상의 시합의 소정 신의 시점에 있어서 예상되는 승패 결과로서, 승리의 확률, 패배의 확률, 무승부의 확률을 각각 추정하여 출력해도 좋다. On the other hand, the third system 6 image-analyses the video of a predetermined scene in the game of the analysis target, the elapsed time from the start of the game of the analysis target of the predetermined scene to the predetermined scene, and the timing of the predetermined scene of the game of the analysis target. An image analysis unit (not shown) for acquiring information on goals and runs may be provided. A well-known technique can be used for this image analysis. In addition, the third estimator 62 may estimate and output the probability of victory, the probability of defeat, and the probability of a draw, respectively, as a win-loss result expected at the time of a predetermined scene of the game to be analyzed.

또한, 제3추정부(62)에는, 각 팀의 출전 멤버(선발 출전, 도중 출전)의 과거 성적, 각 팀의 공격 통계(stats)(드리블 거리, 패스 성공률, 슛 성공률 등), 각 팀의 수비 통계(볼 클리어, 공 탈취수 등) 각 팀의 피지컬 통계(physical stats)(듀얼 횟수 등), 각 팀의 반칙 횟수(파울 횟수, 옐로/레드 카드 매수 등), 우리 팀과 상대 팀의 과거 대전 성적, 우리 팀과 상대 팀의 최근의 성적(승패·득점·실점), 시합 실시 시점에 있어서의 우리 팀과 상대 팀의 순위, 시합 실시 시점에 있어서의 우리 팀과 상대 팀의 순위 차이, 리그·지역·대회 정보, 날씨(맑음, 흐림, 비 등), 기온·습도, 스타디움 관객수, 킥오프 시각, 킥오프 시기(년·월) 등의 정보가 입력되어도 좋다. In addition, in the third estimator 62, the past performance of each team's participating members (start-up, half-start), each team's attack stats (dribble distance, pass success rate, shot success rate, etc.), each team's Defensive stats (ball cleared, ball captured, etc.) Physical stats of each team (duel, etc.), each team's foul count (number of fouls, number of yellow/red cards, etc.), past history of our team and opposing team Match results, our team and the opposing team's recent results (wins, loses, goals, and conceded), our team and the opposing team's ranking at the time of the match, the difference between our team and the opposing team's ranking at the time of the match, league・Region/competition information, weather (sunny, cloudy, rain, etc.), temperature/humidity, number of stadium audiences, kick-off time, kick-off time (year/month), etc. may be input.

또한, 제3추정부(62)로부터는, 시합의 최종 스코어, 시합의 도중 스코어, 다음에 득점하는 팀/선수, 다음에 득점할 때까지의 경과 시간, 다음에 플레이 액션하는(슛, 드리블, 스루 패스, 스로잉 등의 액션을 하는)팀/선수, 다음에 플레이 액션할 때까지의 경과 시간, 다음에 교대하는 선수 등의 정보가 출력되도록 해도 좋다. In addition, from the third estimation unit 62, the final score of the game, the score during the match, the team/player to score next, the elapsed time until the next score, and the next play action (shoot, dribble, Information such as the team/player performing an action such as a through pass or throwing, the elapsed time until the next play action, and the player to be replaced next may be output.

이상과 같이 구성된 승패 예측 시스템(1)에 대해, 도 8의 플로우차트를 참조하여 그 동작을 설명한다. The operation|movement of the win-loss prediction system 1 comprised as mentioned above is demonstrated with reference to the flowchart of FIG.

본 실시예의 승패 예측 시스템(1)에서는, 우선 사전의 준비로서, 제1시스템(4)에 있어서, 과거의 시합의 소정 신의 영상과, 해당 과거의 시합의 소정 신에 있어서의 선수와 공의 위치에 관한 정보의 관계를, 기계 학습에 의해 분석한다(제1기계 학습 스텝). 또한, 제2시스템(5)에 있어서, 과거의 시합의 소정 신의 영상과, 해당 과거의 시합 중의 소정 신에서 발생한 이벤트에 관한 정보의 관계를, 기계 학습에 의해 분석한다(제2기계 학습 스텝). 또한, 제3시스템(6)에 있어서, 과거의 시합의 소정 신에 있어서의 공 점유율, 소정 신에서 발생한 이벤트, 시합 시작에서부터 소정 신까지의 경과 시간, 소정 신의 시점에 있어서의 득실점에 관한 정보와, 해당 과거의 시합의 승패 결과의 관계를, 기계 학습에 의해 분석한다(제3기계 학습 스텝). In the win-loss prediction system 1 of the present embodiment, as a preliminary preparation, in the first system 4, a video of a predetermined scene of a past game, and the position of a player and a ball in a predetermined scene of the past game The relationship between the information regarding , is analyzed by machine learning (first machine learning step). Further, in the second system 5, a relationship between a video of a predetermined scene in a past match and information about an event occurring in a predetermined scene in the past match is analyzed by machine learning (second machine learning step) . In addition, in the third system 6, information on ball share in a predetermined scene of a past match, an event occurring in a predetermined scene, elapsed time from the start of the match to a predetermined scene, and goals and goals at the predetermined scene And the relationship between the win-loss result of the said past game is analyzed by machine learning (3rd machine learning step).

그리고, 도 8에 나타내는 바와 같이, 분석 대상의 시합의 승패 결과를 예측하는 경우에는, 시합 촬영 시스템(10)으로 촬영한 영상(분석 대상의 시합 중의 영상)을 취득하고(S1), 제1기계 학습 스텝에서 분석한 관계에 기초하여, 영상 취득부(2)에서 취득한 분석 대상의 시합 중의 소정 신의 영상을 입력으로 하여, 해당 분석 대상의 시합의 소정 신에 있어서의 선수와 공의 위치를 추정하여 출력하고(S2), 출력된 선수와 공의 위치에 기초하여, 분석 대상의 시합의 소정 신에 있어서의 공 점유율을 판정하여 출력한다(S3). Then, as shown in Fig. 8 , when predicting the outcome of a match to be analyzed, an image captured by the game imaging system 10 (image in the game to be analyzed) is acquired (S1), and the first machine Based on the relationship analyzed in the learning step, by inputting the image of a predetermined scene during the game of the analysis target acquired by the image acquisition unit 2 as input, the position of the player and the ball in the predetermined scene of the game of the analysis target is estimated, It outputs (S2), and based on the output position of the player and the ball, determines and outputs the ball share in a predetermined scene of the game to be analyzed (S3).

다음으로, 제2시스템(5)에 있어서, 제2기계 학습 스텝에서 분석한 관계에 기초하여, 영상 취득부(2)에서 취득한 분석 대상의 시합 중의 소정 신의 영상을 입력으로 하여, 해당 분석 대상의 시합 중의 소정 신에서 발생한 이벤트를 추정하여 출력한다(S4). 그리고, 제3시스템(6)에 있어서, 제1판정 스텝에서 출력된 분석 대상의 시합의 소정 신에 있어서의 공 점유율, 제2추정 스텝에서 출력된 분석 대상의 시합의 소정 신에서 발생한 이벤트, 분석 대상의 시합 시작에서부터 소정 신까지의 경과 시간, 분석 대상의 시합의 소정 신의 시점에 있어서의 득실점에 관한 정보를 입력으로 하여, 해당 분석 대상의 시합의 소정 신의 시점에 있어서 예상되는 시합의 승패 결과를 추정하여 출력한다(S5). Next, in the second system 5, based on the relationship analyzed in the second machine learning step, the video of a predetermined scene during the match of the analysis target acquired by the video acquisition unit 2 is input, and the analysis target is obtained. An event occurring in a predetermined scene during a match is estimated and output (S4). Then, in the third system 6, the ball share in the predetermined scene of the game to be analyzed output from the first determination step, the event occurring in the predetermined scene of the game to be analyzed output from the second estimation step, and analysis Elapsed time from the start of the game of the target to a predetermined scene, and information about the goals scored at the time of the specified scene of the game of the analysis target as input is estimated and output (S5).

이와 같은 본 실시예의 승패 예측 시스템(1)에 의하면, 축구 시합의 승패 결과를 예측할 수 있다. According to the win-loss prediction system 1 of this embodiment as described above, it is possible to predict the outcome of a soccer match.

즉, 본 실시예에서는, 우선, 분석 대상의 시합 중의 소정 신의 영상이 입력되면, 기계 학습으로 분석한 관계(과거의 시합의 소정 신의 영상과, 그 과거의 시합의 소정 신에 있어서의 선수와 공의 위치에 관한 정보의 관계)를 사용하여, 그 소정 신에 있어서의 선수와 공의 위치가 추정된다. 그리고, 추정된 선수와 공의 위치에 기초하여, 그 소정 신에 있어서의 공 점유율이 판정된다. That is, in this embodiment, first, when an image of a predetermined scene in a game to be analyzed is input, the relationship analyzed by machine learning (an image of a predetermined scene in a past match, and a player and a ball in a predetermined scene in the past match) is first input. relationship of information about the position of ), the positions of the player and the ball in the given scene are estimated. Then, based on the estimated position of the player and the ball, the ball occupancy in the predetermined scene is determined.

또한, 분석 대상의 시합 중의 소정 신의 영상이 입력되면, 기계 학습으로 분석한 관계(과거의 시합의 소정 신의 영상과, 그 과거의 시합 중의 소정 신에서 발생한 이벤트에 관한 정보의 관계)를 사용하여, 그 소정 신에서 발생한 이벤트(예를 들면, 골 앞까지 공격해가서 슛을 했다 등)가 추정된다. In addition, when an image of a predetermined scene in a game to be analyzed is input, using a relationship analyzed by machine learning (relationship between images of a predetermined scene in a past match and information about an event occurring in a predetermined scene in the past match), An event that occurred in the predetermined scene (for example, attacking to the front of the goal and shooting, etc.) is estimated.

그리고, 분석 대상의 시합의 소정 신에 있어서의 공 점유율(판정된 공 점유율), 그 소정 신에서 발생한 이벤트(추정된 이벤트), 그 소정 신까지의 경과 시간, 그 소정 신에 있어서의 득실점에 관한 정보가 입력되면, 기계 학습으로 분석한 관계(과거의 시합의 소정 신에 있어서의 공 점유율, 그 소정 신에서 발생한 이벤트, 그 소정 신까지의 경과 시간, 그 소정 신의 시점에 있어서의 득실점에 관한 정보와, 해당 과거의 시합의 승패 결과의 관계)를 사용하여, 그 소정 신의 시점에 있어서 실시간으로 예상되는 시합의 승패 결과가 추정된다. 이와 같이 하여, 분석 대상의 시합 중의 영상으로부터, 그 시합의 승패 결과를 실시간으로 예측할 수 있다. Then, the ball share (determined ball share) in a given scene of the game to be analyzed, the event that occurred in the given scene (estimated event), the elapsed time until the given scene, and the goals scored in the given scene When related information is input, the relationship analyzed by machine learning (ball share in a predetermined scene of past matches, an event that occurred in that predetermined scene, elapsed time until that predetermined scene, and goals scored at that predetermined scene) using the related information and the win/loss result of the match in the past), the match win/loss result expected in real time at the time of the predetermined scene is estimated. In this way, from the video in the game to be analyzed, the outcome of the match can be predicted in real time.

또한, 본 실시예에서는, 분석 대상의 시합 중의 소정 신의 영상을 화상 분석하는 것에 의해, 그 소정 신까지의 경과 시간, 그 소정 신의 시점에 있어서의 득실점에 관한 정보를 취득할 수 있다. 화상 분석에 의해 취득된 정보(그 소정 신까지의 경과 시간, 그 소정 신의 시점에 있어서의 득실점에 관한 정보)는, 제3추정부(62)에 입력하여, 그 시합의 승패 결과의 추정에 사용할 수 있다. Further, in the present embodiment, by performing image analysis of a video of a predetermined scene in a game to be analyzed, it is possible to acquire information about the elapsed time until the predetermined scene and the goals scored at the time of the predetermined scene. The information acquired by the image analysis (the elapsed time until the predetermined scene, information regarding the goals scored at the time of the predetermined scene) is input to the third estimation unit 62, and is used for estimating the outcome of the match. Can be used.

또한, 본 실시예에서는, 예상되는 승패 결과로서, 승리의 확률, 패배의 확률, 무승부의 확률이 출력되기 때문에, 승패 결과를 한눈에 간단히 이해할 수 있다. In addition, in this embodiment, since the probability of victory, the probability of defeat, and the probability of a draw are output as expected win/loss results, the win/loss result can be easily understood at a glance.

이상, 본 발명의 실시예를 예시에 의해 설명했지만, 본 발명의 범위는 이들에 한정되지 않고, 청구항에 기재된 범위 내에서 목적에 따라 변경·변형이 가능하다. In the above, the embodiments of the present invention have been described by way of illustration, but the scope of the present invention is not limited thereto, and changes and modifications can be made according to the purpose within the scope described in the claims.

예를 들면, 이상의 설명에서는, 축구 시합의 승패 결과를 예측하는 예에 대해 설명했지만, 본 발명은 축구 이외의 시합(예를 들면, 럭비, 아메리칸 풋볼, 농구, 아이스 하키 등)의 승패 예측에 대해서도 동일하게 실시 가능하다. For example, in the above description, the example of predicting the win/loss result of a soccer match has been described. However, the present invention also relates to win/loss prediction of matches other than soccer (for example, rugby, American football, basketball, ice hockey, etc.) can be implemented in the same way.

이상과 같이, 본 발명에 따른 승패 예측 시스템은, 분석 대상의 시합 중의 영상으로부터, 그 시합의 승패 결과를 예측할 수 있는 효과를 가지며, 축구 등의 시합의 승패 예측 시스템으로서 유용하다. As described above, the win-loss prediction system according to the present invention has the effect of predicting the win/loss result of the match from the video during the game to be analyzed, and is useful as a win/loss prediction system for matches such as soccer.

1: 승패 예측 시스템
2: 영상 취득부
3: 영상 기억부
4: 제1시스템
5: 제2시스템
6: 제3시스템
10: 시합 촬영 시스템
11: 촬영부
12: 영상 전송부
40: 제1입출력부
41: 제1기계 학습부
42: 제1추정부
43: 제1판정부
50: 제2입출력부
51: 제2기계 학습부
52: 제2추정부
60: 제3입출력부
61: 제3기계 학습부
62: 제3추정부
N: 네트워크 1: Win/Loss Prediction System
2: image acquisition unit
3: video storage
4: first system
5: Second system
6: 3rd system
10: Match shooting system
11: Cinematography
12: video transmission unit
40: first input/output unit
41: first machine learning unit
42: first estimation unit
43: first judging unit
50: second input/output unit
51: second machine learning unit
52: second estimation unit
60: third input/output unit
61: third machine learning unit
62: third estimator
N: network

Claims (4)

분석 대상의 시합 중의 영상을 취득하는 영상 취득부와, 상기 시합 중에 있어서의 공 점유율(ball possession)을 추정하는 제1시스템과, 상기 시합 중에 발생하는 이벤트를 추정하는 제2시스템과, 상기 제1시스템의 검출 결과와 상기 제2시스템의 검출 결과로부터 상기 시합의 승패 결과를 예측하는 제3시스템을 구비하고,
상기 제1시스템은,
과거의 시합의 소정 신(scene)의 영상과, 해당 과거의 시합의 소정 신에 있어서의 선수와 공의 위치에 관한 정보의 관계를, 기계 학습에 의해 분석하는 제1기계 학습부와,
상기 제1기계 학습부에서 분석한 관계에 기초하여, 상기 영상 취득부에서 취득한 상기 분석 대상의 시합 중의 소정 신의 영상을 입력으로 하여, 해당 분석 대상의 시합의 소정 신에 있어서의 선수와 공의 위치를 추정하여 출력하는 제1추정부와,
상기 제1추정부에서 출력된 상기 선수와 공의 위치에 기초하여, 상기 분석 대상의 시합의 소정 신에 있어서의 공 점유율을 판정하여 출력하는 제1판정부를 구비하고,
상기 제2시스템은,
과거의 시합의 소정 신의 영상과, 해당 과거의 시합 중의 소정 신에서 발생한 이벤트에 관한 정보의 관계를, 기계 학습에 의해 분석하는 제2기계 학습부와,
상기 제2기계 학습부에서 분석한 관계에 기초하여, 상기 영상 취득부에서 취득한 상기 분석 대상의 시합 중의 소정 신의 영상을 입력으로 하여, 해당 분석 대상의 시합 중의 소정 신에서 발생한 이벤트를 추정하여 출력하는 제2추정부를 구비하고,
상기 제3시스템은,
과거의 시합의 소정 신에 있어서의 공 점유율, 상기 소정 신에서 발생한 이벤트, 시합 시작에서부터 상기 소정 신까지의 경과 시간, 상기 소정 신의 시점에 있어서의 득실점에 관한 정보와, 해당 과거의 시합의 승패 결과의 관계를, 기계 학습에 의해 분석하는 제3기계 학습부와,
상기 제3기계 학습부에서 분석한 관계에 기초하여, 상기 제1판정부에서 출력된 상기 분석 대상의 시합의 소정 신에 있어서의 공 점유율, 상기 제2추정부에서 출력된 상기 분석 대상의 시합의 소정 신에서 발생한 이벤트, 상기 분석 대상의 시합 시작에서부터 상기 소정 신까지의 경과 시간, 상기 분석 대상의 시합의 소정 신의 시점에 있어서의 득실점에 관한 정보를 입력으로 하여, 해당 분석 대상의 시합의 소정 신의 시점에 있어서 예상되는 시합의 승패 결과를 추정하여 출력하는 제3추정부를 구비하는 것을 특징으로 하는, 승패 예측 시스템. A video acquisition unit for acquiring an image during a game to be analyzed; a first system for estimating ball possession during the game; a second system for estimating an event occurring during the game; a third system for predicting a win/loss result of the match from the detection result of the system and the detection result of the second system;
The first system is
a first machine learning unit that analyzes, by machine learning, a relationship between an image of a predetermined scene of a past game and information about the position of a player and a ball in a predetermined scene of the past game;
Based on the relationship analyzed by the first machine learning unit, an image of a predetermined scene during a game of the analysis target obtained by the image acquisition unit is input as an input, and the position of a player and a ball in a predetermined scene of the game of the analysis target a first estimator for estimating and outputting
a first determination unit that determines and outputs the ball share in a predetermined scene of the game to be analyzed based on the positions of the player and the ball output from the first estimation unit;
The second system is
a second machine learning unit that analyzes, by machine learning, a relationship between an image of a predetermined scene in a past match and information about an event occurring in a predetermined scene in the past match;
Based on the relationship analyzed by the second machine learning unit, an image of a predetermined scene in a game of the analysis target obtained by the image acquisition unit is input, and an event occurring in a predetermined scene in a game of the analysis target is estimated and output. A second estimating unit is provided;
The third system is
Ball share in a predetermined scene of a past game, an event that occurred in the predetermined scene, the elapsed time from the start of the game to the predetermined scene, information about the goals scored at the time of the predetermined scene, and the victory or defeat of the previous game a third machine learning unit that analyzes the relationship between the results by machine learning;
Based on the relationship analyzed by the third machine learning unit, the ball share in a predetermined scene of the game of the analysis target outputted from the first determination unit, the match of the analysis target outputted from the second estimation unit By inputting information about an event occurring in a predetermined scene, the elapsed time from the start of the game of the analysis target to the predetermined scene, and the goals scored at the time of the predetermined scene in the game of the analysis target, information about the game of the analysis target is inputted as input. A win-loss prediction system, characterized by comprising a third estimator for estimating and outputting a result of a match expected from a god's point of view. 제1항에 있어서,
상기 제3시스템은,
상기 분석 대상의 시합 중의 소정 신의 영상을 화상 분석하여, 해당 소정 신의 상기 분석 대상의 시합 시작에서부터 상기 소정 신까지의 경과 시간, 상기 분석 대상의 시합의 소정 신의 시점에 있어서의 득실점에 관한 정보를 취득하는 화상 분석부를 구비하는, 승패 예측 시스템. According to claim 1,
The third system is
An image of a predetermined scene in the game of the analysis target is image-analyzed, and information about the elapsed time from the start of the game of the analysis target in the specified scene to the predetermined scene, and the score at the time of the predetermined scene in the game of the analysis target is obtained. A win-loss prediction system comprising an image analysis unit to be acquired. 제1항 또는 제2항에 있어서,
상기 제3추정부는, 상기 분석 대상의 시합의 소정 신의 시점에 있어서 예상되는 승패 결과로서, 승리의 확률, 패배의 확률, 무승부의 확률을 각각 추정하여 출력하는, 승패 예측 시스템. 3. The method of claim 1 or 2,
and the third estimating unit estimates and outputs a probability of victory, a probability of defeat, and a probability of a draw, respectively, as expected win/loss results at a predetermined time point of the game to be analyzed. 분석 대상의 시합 중의 영상을 취득하는 영상 취득부와, 상기 시합 중에 있어서의 공 점유율을 추정하는 제1시스템과, 상기 시합 중에 발생하는 이벤트를 추정하는 제2시스템과, 상기 제1시스템의 검출 결과와 상기 제2시스템의 검출 결과로부터 상기 시합의 승패 결과를 예측하는 제3시스템을 구비하는 승패 예측 시스템으로 실행되는 승패 예측 방법이고,
상기 제1시스템에 있어서,
과거의 시합의 소정 신의 영상과, 해당 과거의 시합의 소정 신에 있어서의 선수와 공의 위치에 관한 정보의 관계를, 기계 학습에 의해 분석하는 제1기계 학습 스텝과,
상기 제1기계 학습 스텝에서 분석한 관계에 기초하여, 상기 영상 취득부에서 취득한 상기 분석 대상의 시합 중의 소정 신의 영상을 입력으로 하여, 해당 분석 대상의 시합의 소정 신에 있어서의 선수와 공의 위치를 추정하여 출력하는 제1추정 스텝과,
상기 제1추정 스텝에서 출력된 상기 선수와 공의 위치에 기초하여, 상기 분석 대상의 시합의 소정 신에 있어서의 공 점유율을 판정하여 출력하는 제1판정 스텝을 실행하는 것과,
상기 제2시스템에 있어서,
과거의 시합의 소정 신의 영상과, 해당 과거의 시합 중의 소정 신에서 발생한 이벤트에 관한 정보의 관계를, 기계 학습에 의해 분석하는 제2기계 학습 스텝과,
상기 제2기계 학습 스텝에서 분석한 관계에 기초하여, 상기 영상 취득부에서 취득한 상기 분석 대상의 시합 중의 소정 신의 영상을 입력으로 하여, 해당 분석 대상의 시합 중의 소정 신에서 발생한 이벤트를 추정하여 출력하는 제2추정 스텝을 실행하는 것과,
상기 제3시스템에 있어서,
과거의 시합의 소정 신에 있어서의 공 점유율, 상기 소정 신에서 발생한 이벤트, 시합 시작에서부터 상기 소정 신까지의 경과 시간, 상기 소정 신의 시점에 있어서의 득실점에 관한 정보와, 해당 과거의 시합의 승패 결과의 관계를, 기계 학습에 의해 분석하는 제3기계 학습 스텝과,
상기 제3기계 학습 스텝에서 분석한 관계에 기초하여, 상기 제1판정 스텝에서 출력된 상기 분석 대상의 시합의 소정 신에 있어서의 공 점유율, 상기 제2추정 스텝에서 출력된 상기 분석 대상의 시합의 소정 신에서 발생한 이벤트, 상기 분석 대상의 시합 시작에서부터 상기 소정 신까지의 경과 시간, 상기 분석 대상의 시합의 소정 신의 시점에 있어서의 득실점에 관한 정보를 입력으로 하여, 해당 분석 대상의 시합의 소정 신의 시점에 있어서 예상되는 시합의 승패 결과를 추정하여 출력하는 제3추정 스텝을 실행하는 것을 포함하는 것을 특징으로 하는, 승패 예측 방법. A video acquisition unit for acquiring an image during a match to be analyzed; a first system for estimating the ball occupancy during the match; a second system for estimating an event occurring during the match; and a detection result of the first system and a win/loss prediction method implemented by a win/loss prediction system comprising a third system for predicting a win/loss result of the match from the detection result of the second system,
In the first system,
a first machine learning step of analyzing a relationship between an image of a predetermined scene of a past game and information on the position of a player and a ball in a predetermined scene of the past game by machine learning;
Based on the relationship analyzed in the first machine learning step, an image of a predetermined scene in a game of the analysis target obtained by the image acquisition unit is input as an input, and the position of the player and the ball in a predetermined scene of the game of the analysis target a first estimation step of estimating and outputting
executing a first determination step of judging and outputting the ball occupancy rate in a predetermined scene of the game to be analyzed based on the positions of the player and the ball output in the first estimation step;
In the second system,
a second machine learning step of analyzing, by machine learning, a relationship between a video of a predetermined scene in a past match and information about an event occurring in a predetermined scene in the past match;
Based on the relationship analyzed in the second machine learning step, an image of a predetermined scene in a game of the analysis target obtained by the image acquisition unit is input, and an event occurring in a predetermined scene in a game of the analysis target is estimated and output. executing the second estimation step;
In the third system,
Ball share in a predetermined scene of a past game, an event that occurred in the predetermined scene, the elapsed time from the start of the game to the predetermined scene, information about the goals scored at the time of the predetermined scene, and the victory or defeat of the previous game a third machine learning step of analyzing the relationship between the results by machine learning;
Based on the relationship analyzed in the third machine learning step, the ball share in the predetermined scene of the match of the analysis target outputted in the first determination step, and the match of the analysis target output in the second estimation step By inputting information about an event occurring in a predetermined scene, the elapsed time from the start of the game of the analysis target to the predetermined scene, and the goals scored at the time of the predetermined scene in the game of the analysis target, information about the game of the analysis target is inputted as input. A win-loss prediction method comprising executing a third estimating step of estimating and outputting a result of a match expected at the God's point of view.
KR1020207032988A 2020-05-08 2020-07-15 win-loss prediction system KR102443007B1 (en)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020082460A JP7078667B2 (en) 2020-05-08 2020-05-08 Win / Loss Prediction System
JPJP-P-2020-082460 2020-05-08
PCT/JP2020/027422 WO2021225007A1 (en) 2020-05-08 2020-07-15 Outcome prediction system

Publications (2)

Publication Number Publication Date
KR20210136828A KR20210136828A (en) 2021-11-17
KR102443007B1 true KR102443007B1 (en) 2022-09-15

Family

ID=78409511

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207032988A KR102443007B1 (en) 2020-05-08 2020-07-15 win-loss prediction system

Country Status (4)

Country Link
JP (1) JP7078667B2 (en)
KR (1) KR102443007B1 (en)
CN (1) CN113939837A (en)
WO (1) WO2021225007A1 (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101844874B1 (en) * 2017-03-15 2018-04-04 (주)에이피케이어플킹 System for predicting decision using big data based on data mining techniques and method therefor

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004110826A (en) 2002-09-16 2004-04-08 Asobous:Kk Soccer team analysis system, and soccer team analysis/using method
KR101612628B1 (en) * 2014-08-21 2016-04-14 전욱 Participative sports game system and mehtod by real-time analyzing and predicting
KR101938364B1 (en) * 2016-12-02 2019-04-10 (주) 지티씨솔루션 Soccer information analysis apparatus and the method thereof
JP6677319B2 (en) 2016-12-27 2020-04-08 日本電気株式会社 Sports motion analysis support system, method and program
CN112272581A (en) 2018-01-21 2021-01-26 斯塔特斯公司 Method and system for interactive, exposable and improved game and player performance prediction in team sports
JP7032948B2 (en) 2018-02-14 2022-03-09 成典 田中 Tactical analyzer
CN109165253A (en) * 2018-08-15 2019-01-08 宁夏大学 A kind of method and apparatus of Basketball Tactical auxiliary
CN110147524A (en) * 2019-05-10 2019-08-20 深圳市腾讯计算机系统有限公司 A kind of result of the match prediction technique, device and equipment based on machine learning

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101844874B1 (en) * 2017-03-15 2018-04-04 (주)에이피케이어플킹 System for predicting decision using big data based on data mining techniques and method therefor

Also Published As

Publication number Publication date
KR20210136828A (en) 2021-11-17
JP7078667B2 (en) 2022-05-31
CN113939837A (en) 2022-01-14
JP2021177316A (en) 2021-11-11
WO2021225007A1 (en) 2021-11-11

Similar Documents

Publication Publication Date Title
US10628678B2 (en) Classification of activity derived from multiple locations
US20220258052A1 (en) System and method for synchronizing and predicting game data from game video and audio data
KR101938364B1 (en) Soccer information analysis apparatus and the method thereof
Sarmento et al. Development and validation of a notational system to study the offensive process in football
US11568713B2 (en) Systems and methods for making use of telemetry tracking devices to enable event based analysis at a live game
US11813529B2 (en) Systems and methods to predict a future outcome at a live sport event
US20220198684A1 (en) Player Trajectory Generation via Multiple Camera Player Tracking
KR101585399B1 (en) Game result predicting method using sports data information
CN111724414A (en) Basketball movement analysis method based on 3D attitude estimation
Decroos et al. Valuing on-the-ball actions in soccer: a critical comparison of XT and VAEP
Robberechts et al. A bayesian approach to in-game win probability in soccer
US20230085122A1 (en) Systems and methods for making use of telemetry tracking devices to enable event based analysis at a live game
Robberechts et al. Who will win it? An in-game win probability model for football
CN113312840B (en) Badminton playing method and system based on reinforcement learning
KR102443007B1 (en) win-loss prediction system
US9196115B1 (en) Performance based basketball scoring system
Xenopoulos et al. Optimal team economic decisions in counter-strike
Wu et al. Evaluation of off-the-ball actions in soccer
Hipp et al. Mining ice hockey: Continuous data flow analysis
Umemoto et al. Evaluation of team defense positioning by computing counterfactuals using statsbomb 360 data
Huang et al. Observation Centric and Central Distance Recovery on Sports Player Tracking
Smith et al. A semi-automated event location recorder for netball
WO2023248552A1 (en) Competition result prediction system, competition result prediction method, and competition result prediction program
JP2023012578A (en) Information processing device, information processing method, and computer program
de Oliveira Jaime et al. The influence of the opponent's quality on team offensive efficacy in youth football: an observational stud an observational study with sequential analysis

Legal Events

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