[論文レビュー] Real-time eSports Match Result Prediction

Yifan Yang, Tian Qin+1 more|arXiv (Cornell University)|Dec 10, 2016

Digital Games and Media参考文献 7被引用数 44

ひとこと要約

本稿では、マッチ開始前のプレイヤーおよびヒーロー統計と、ゴールド、経験値、チームごとの死亡数といったリアルタイムのゲーム内メトリクスを組み合わせることで、Dota 2 の対戦結果をリアルタイムで予測するシステムを提案する。ロジスティック回帰、属性系列モデル（ASM）、および時間別モデルを用い、40分目には最大93.73%の正確性を達成し、単に限定的なマッチ開始前の特徴に依存する従来手法を著しく上回る。

ABSTRACT

In this paper, we try to predict the winning team of a match in the multiplayer eSports game Dota 2. To address the weaknesses of previous work, we consider more aspects of prior (pre-match) features from individual players' match history, as well as real-time (during-match) features at each minute as the match progresses. We use logistic regression, the proposed Attribute Sequence Model, and their combinations as the prediction models. In a dataset of 78362 matches where 20631 matches contain replay data, our experiments show that adding more aspects of prior features improves accuracy from 58.69% to 71.49%, and introducing real-time features achieves up to 93.73% accuracy when predicting at the 40th minute.

研究の動機と目的

• マッチ開始前の特徴をヒーロー選択以外のより豊かなものに拡張することで、Dota 2 の対戦結果予測の正確性を向上させること。
• 従来の研究が試合中のリアルタイムのゲームプレイデータを無視するという制限を是正すること。
• ゴールド、経験値、チームごとの死亡数といった時系列特徴を用いて、進化するゲーム状態を動的にモデル化すること。
• ロジスティック回帰、ASM、ハイブリッド手法といった異なるモデルのリアルタイム予測への有効性を評価すること。
• 試合の長さが予測性能に与える影響と、時間の経過に伴い過去の特徴の価値が低下する傾向を分析すること。

提案手法

• システムは、個々のプレイヤーの試合履歴から、ヒーローのパフォーマンス、プレイヤーのスキル、ヒーローとプレイヤーの組み合わせといった事前特徴を抽出する。
• リアルタイム特徴は1分ごとに計算され、チーム単位のゴールド、経験値、死亡数の差を捉える。
• ロジスティック回帰は、事前特徴およびリアルタイム特徴に適用され、時間別バージョンは5分間のウィンドウで学習され、時間的非定常性を保持する。
• 属性系列モデル（ASM）は、時系列特徴の遷移確率を明示的にモデル化し、静的な値ではなくパフォーマンスのトレンドを捉える。
• ハイブリッドモデルは、ロジスティック回帰とASMを組み合わせ、予測力とトレンドモデリングの両方の利点を活かす。
• モデルは、78,362試合の高スキルレベルのDota 2対戦データセットを用いて学習・評価され、そのうち20,631試合はリアルタイム特徴抽出のためのリプレイデータを含む。

実験結果

リサーチクエスチョン

• RQ1 ヒーロー選択以外の多様なマッチ開始前特徴（ヒーロー、プレイヤー、ヒーローとプレイヤーの組み合わせ）を組み込むと、Dota 2 の予測正確性にどのような影響を与えるか？
• RQ2 リアルタイムのゲーム内メトリクス（ゴールド、経験値、死亡数）を導入することで、リアルタイムの対戦結果予測はどの程度向上するか？
• RQ3 時系列モデリング（例：ASM）によるパフォーマンストレンドのモデル化は、静的特徴モデリング（例：ロジスティック回帰）を上回ることができるか？特に試合初期段階（20分未満）において。
• RQ4 試合の長さが事前特徴の予測力に与える影響は何か？また、リアルタイムデータはその低下を緩和できるか？
• RQ5 時間別に学習されたロジスティック回帰モデルは、1つのグローバルモデルに比べて正確性が向上するか？

主な発見

• ヒーロー、プレイヤー、ヒーローとプレイヤーの組み合わせといった多様な事前特徴を追加することで、ヒーロー単位の特徴のみを用いたモデルと比較して、予測正確性は58.69%から71.49%に向上した。
• リアルタイム特徴を導入することで、試合の40分目に予測のピーク正確性が93.73%に達した。
• 属性系列モデル（ASM）は、20分未満の試合初期段階でロジスティック回帰を上回った。この段階では、現在の値よりもトレンド情報がより予測的である。
• 時間別ロジスティック回帰モデルは、1つのグローバルモデルに比べて、試合の各フェーズにおける特徴効果の時間的非定常性を保持できたため、より優れた性能を示した。
• 55分以上にわたる試合では、事前特徴のみを用いた予測正確性が65%未満に低下し、試合が長くなるに従い、事前特徴の予測力が失われる傾向が明らかになった。
• 本研究では、試合後期段階ではリアルタイムのゲームプレイデータが主な予測要因となることが同定されたが、長時間の試合では事前特徴の信頼性が低下することが明らかになった。