[논문 리뷰] Real-time eSports Match Result Prediction

Yifan Yang, Tian Qin외 1명|arXiv (Cornell University)|2016. 12. 10.

Digital Games and Media참고 문헌 7인용 수 44

한 줄 요약

이 논문은 경기 전 플레이어 및 캐릭터 통계와 경기 중 실시간 게임 지표(골드, 경험치, 팀당 사망 수)를 조합하여 디아오 2 승패를 실시간으로 예측하는 시스템을 제안한다. 로지스틱 회귀, 속성 시퀀스 모델(ASM), 시간별 특화 모델을 사용하여 40분 시점에서 최대 93.73%의 정확도를 달성하며, 이는 단지 제한된 경기 전 특징에 의존한 이전 방법들보다 뚜렷하게 뛰어나다.

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.

연구 동기 및 목표

• 경기 전 특징을 영웅 선택 외의 더 풍부한 요소로 확장하여 디아오 2 승패 예측 정확도를 향상시키기.
• 이전 연구에서 경기 중 실시간 게임 데이터를 忽시하는 한계를 해결하기.
• 골드, 경험치, 팀당 사망 수와 같은 시계열 특징을 사용해 변화하는 게임 상태를 동적으로 모델링하기.
• 로지스틱 회귀, ASM, 하이브리드 접근법과 같은 다양한 모델의 실시간 예측 성능 평가하기.
• 경기 지속 시간이 예측 성능에 미치는 영향과 시간이 지남에 따라 이전 특징의 가치 감소 분석하기.

제안 방법

• 시스템은 플레이어의 경기 이력에서 개인별 특징을 추출하며, 이는 영웅 성과, 플레이어 실력, 영웅-플레이어 조합을 포함한다.
• 실시간 특징은 매 분마다 계산되며, 팀 수준의 골드, 경험치, 사망 수의 차이를 캡처한다.
• 로지스틱 회귀는 이전 특징과 실시간 특징에 모두 적용되며, 시간별 특화 변형은 5분 창을 기반으로 훈련되어 시간에 따른 이질성을 유지한다.
• 속성 시퀀스 모델(ASM)은 시계열 특징의 전이 확률을 명시적으로 모델링하여 정적 값이 아닌 성능 추세를 포착한다.
• 하이브리드 모델은 로지스틱 회귀와 ASM을 조합하여 예측 능력과 추세 모델링 능력을 모두 활용한다.
• 모델은 78,362개의 고수준 디아오 2 경기 데이터셋을 기반으로 훈련 및 평가되었으며, 실시간 특징 추출을 위한 리플레이 데이터를 포함한 20,631개의 경기가 포함되어 있다.

실험 결과

연구 질문

• RQ1 영웅 선택 외의 다양한 경기 전 특징을 통합할 경우 디아오 2 예측 정확도에 어떤 영향을 미치는가?
• RQ2 실시간 게임 지표(골드, 경험치, 사망 수)를 도입할 경우 실시간 승패 예측에 얼마나 기여하는가?
• RQ3 시계열 모델링(예: ASM)을 통해 성능 추세를 모델링할 경우, 정적 특징 모델링(예: 로지스틱 회귀)보다 조기 단계에서 더 뛰어난 성능을 낼 수 있는가?
• RQ4 경기 지속 시간이 이전 특징의 예측 능력에 어떤 영향을 미치며, 실시간 데이터는 이 감소를 완화하는가?
• RQ5 단일 글로벌 모델 대비 시간별 특화 로지스틱 회귀 모델을 훈련하면 정확도가 향상되는가?

주요 결과

• 영웅, 플레이어, 영웅-플레이어 조합 등의 다양한 이전 특징을 추가함으로써, 영웅 수준의 특징만을 사용한 모델 대비 예측 정확도가 58.69%에서 71.49%로 향상되었다.
• 실시간 특징을 도입함으로써 경기 40분 시점에서 최고 정확도 93.73%를 기록했다.
• 속성 시퀀스 모델(ASM)은 성능 추세가 현재 값보다 더 유의미한 조기 단계(20분 이내)에서 로지스틱 회귀를 능가하는 성능을 보였다.
• 시간별 특화 로지스틱 회귀 모델은 단일 글로벌 모델보다 시간에 따른 특징 효과의 이질성을 유지함으로써 더 뛰어난 성능을 보였다.
• 지속 시간 55분 이상인 경기에서는 이전 특징만을 사용한 예측 정확도가 65% 이하로 떨어졌으며, 이는 경기 진행에 따라 이전 특징의 예측 능력이 떨어짐을 시사한다.
• 본 연구는 실시간 게임 데이터가 후반 단계에서 주요 예측 요소로 부상하며, 장기 경기에서는 이전 특징이 신뢰할 수 없음을 규명했다.