KR20210136828A - 승패 예측 시스템 - Google Patents

승패 예측 시스템 Download PDF

Info

Publication number
KR20210136828A
KR20210136828A KR1020207032988A KR20207032988A KR20210136828A KR 20210136828 A KR20210136828 A KR 20210136828A KR 1020207032988 A KR1020207032988 A KR 1020207032988A KR 20207032988 A KR20207032988 A KR 20207032988A KR 20210136828 A KR20210136828 A KR 20210136828A
Authority
KR
South Korea
Prior art keywords
game
predetermined scene
machine learning
analysis target
match
Prior art date
Application number
KR1020207032988A
Other languages
English (en)
Other versions
KR102443007B1 (ko
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/ko
Application granted granted Critical
Publication of KR102443007B1 publication Critical patent/KR102443007B1/ko

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
    • 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
    • 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
    • G06K9/00724—
    • 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
    • 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.

Description

승패 예측 시스템
본 발명은, 시합의 승패 결과를 예측할 수 있는 승패 예측 시스템에 관한 것이다.
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).
일본 공개특허공보 2004-110826호 공보
그러나, 종래의 시스템에 있어서는, 축구팀의 전력을 분석할 수 있지만, 시합의 승패 결과를 예측할 수는 없었다.
본 발명은, 상기한 과제를 해결하기 위한 것으로서, 시합의 승패 결과를 예측할 수 있는 승패 예측 시스템을 제공하는 것을 목적으로 한다.
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.
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.
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.
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.
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.
이 구성에 의하면, 예상되는 승패 결과로서, 승리의 확률, 패배의 확률, 무승부의 확률이 출력되기 때문에, 승패 결과를 한눈에 간단히 이해할 수 있다.
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.
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.
본 발명에 의하면, 분석 대상의 시합 중의 영상으로부터, 그 시합의 승패 결과를 예측할 수 있다.
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.
이하, 본 발명의 실시예의 승패 예측 시스템에 대해, 도면을 참조하여 설명한다. 본 실시예에서는, 축구 등의 시합의 승패 예측에 사용되는 승패 예측 시스템의 경우를 예시한다.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
이상과 같이 구성된 승패 예측 시스템(1)에 대해, 도 8의 플로우차트를 참조하여 그 동작을 설명한다.
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).
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).
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).
이와 같은 본 실시예의 승패 예측 시스템(1)에 의하면, 축구 시합의 승패 결과를 예측할 수 있다.
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.
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.
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.
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.
또한, 본 실시예에서는, 예상되는 승패 결과로서, 승리의 확률, 패배의 확률, 무승부의 확률이 출력되기 때문에, 승패 결과를 한눈에 간단히 이해할 수 있다.
이상, 본 발명의 실시예를 예시에 의해 설명했지만, 본 발명의 범위는 이들에 한정되지 않고, 청구항에 기재된 범위 내에서 목적에 따라 변경·변형이 가능하다.
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.
[산업상 이용가능성]
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.
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

Claims (4)

  1. 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.
  2. 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.
  3. 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.
  4. 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.
KR1020207032988A 2020-05-08 2020-07-15 승패 예측 시스템 KR102443007B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020082460A JP7078667B2 (ja) 2020-05-08 2020-05-08 勝敗予測システム
JPJP-P-2020-082460 2020-05-08
PCT/JP2020/027422 WO2021225007A1 (ja) 2020-05-08 2020-07-15 勝敗予測システム

Publications (2)

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

Family

ID=78409511

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207032988A KR102443007B1 (ko) 2020-05-08 2020-07-15 승패 예측 시스템

Country Status (4)

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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004110826A (ja) 2002-09-16 2004-04-08 Asobous:Kk サッカーチーム分析システム及びサッカーチーム分析・利用方法
KR101844874B1 (ko) * 2017-03-15 2018-04-04 (주)에이피케이어플킹 데이터 마이닝 기법에 기반한 빅데이터를 이용한 결과예측 시스템 및 방법
KR20180063777A (ko) * 2016-12-02 2018-06-12 (주) 지티씨솔루션 축구 정보 분석 장치 및 그 방법

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101612628B1 (ko) * 2014-08-21 2016-04-14 전욱 실시간 분석 및 예측에 의한 참여형 스포츠 게임 시스템 및 스포츠 게임 방법
JP6677319B2 (ja) 2016-12-27 2020-04-08 日本電気株式会社 スポーツ動作解析支援システム、方法およびプログラム
CN112272581A (zh) 2018-01-21 2021-01-26 斯塔特斯公司 在球队运动中进行交互的、可说明的且改进的比赛和球员表现预测的方法和系统
JP7032948B2 (ja) 2018-02-14 2022-03-09 成典 田中 戦術分析装置
CN109165253A (zh) * 2018-08-15 2019-01-08 宁夏大学 一种篮球战术辅助的方法与装置
CN110147524A (zh) * 2019-05-10 2019-08-20 深圳市腾讯计算机系统有限公司 一种基于机器学习的比赛结果预测方法、装置及设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004110826A (ja) 2002-09-16 2004-04-08 Asobous:Kk サッカーチーム分析システム及びサッカーチーム分析・利用方法
KR20180063777A (ko) * 2016-12-02 2018-06-12 (주) 지티씨솔루션 축구 정보 분석 장치 및 그 방법
KR101844874B1 (ko) * 2017-03-15 2018-04-04 (주)에이피케이어플킹 데이터 마이닝 기법에 기반한 빅데이터를 이용한 결과예측 시스템 및 방법

Also Published As

Publication number Publication date
JP7078667B2 (ja) 2022-05-31
CN113939837A (zh) 2022-01-14
JP2021177316A (ja) 2021-11-11
WO2021225007A1 (ja) 2021-11-11
KR102443007B1 (ko) 2022-09-15

Similar Documents

Publication Publication Date Title
US10628678B2 (en) Classification of activity derived from multiple locations
Spearman et al. Physics-based modeling of pass probabilities in soccer
KR101938364B1 (ko) 축구 정보 분석 장치 및 그 방법
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
O’Shaughnessy Possession versus position: strategic evaluation in AFL
KR101585399B1 (ko) 스포츠데이터 정보를 이용한 경기결과 예측방법
US20220198684A1 (en) Player Trajectory Generation via Multiple Camera Player Tracking
CN111724414A (zh) 一种基于3d姿态估计的篮球运动分析方法
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
Martínez-Gallego et al. The relationship between the incidence of winners/errors and the time spent in different areas of the court in elite tennis
Robberechts et al. Who will win it? An in-game win probability model for football
US20160339297A1 (en) Method and system for automatic identification of player
CN113312840B (zh) 一种基于强化学习的羽毛球对弈方法及系统
KR102443007B1 (ko) 승패 예측 시스템
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
JP7246649B2 (ja) 戦術分析装置
Smith et al. A semi-automated event location recorder for netball

Legal Events

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