[论文解读] Real-time eSports Match Result Prediction
本文提出了一种结合赛前玩家与英雄统计数据以及实时游戏内指标（如金币、经验、每队死亡次数）的Dota 2比赛结果实时预测系统。通过逻辑回归、属性序列模型（ASM）和时间特定模型，该系统在第40分钟时准确率最高达到93.73%，显著优于仅依赖有限赛前特征的先前方法。
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.
研究动机与目标
- 通过引入超越英雄选择的更丰富的赛前特征，提升Dota 2比赛结果预测的准确性。
- 解决先前研究仅依赖赛前特征、忽略比赛中实时游戏数据的局限性。
- 利用时间序列特征（如每队金币、经验、死亡次数）动态建模不断变化的游戏状态。
- 评估不同模型（逻辑回归、ASM及混合方法）在实时预测中的有效性。
- 分析比赛时长对预测性能的影响，以及先验特征随时间推移价值递减的问题。
提出的方法
- 系统从个体玩家的比赛历史中提取先验特征，包括英雄表现、玩家技能以及英雄与玩家的组合表现。
- 每分钟计算一次实时特征，捕捉每支队伍在金币、经验及死亡次数上的差异。
- 对先验特征和实时特征均应用逻辑回归，其中时间特定变体在5分钟时间窗口内训练，以保留特征效应的时间异质性。
- 属性序列模型（ASM）显式建模时间序列特征的转移概率，以捕捉表现趋势而非静态数值。
- 混合模型结合逻辑回归与ASM，以同时利用预测能力和趋势建模优势。
- 模型在包含78,362场高技能水平Dota 2比赛的数据集上进行训练与评估，其中20,631场比赛包含重放数据，用于实时特征提取。
实验结果
研究问题
- RQ1引入多样化赛前特征（超越英雄选择）对Dota 2预测准确率有何影响？
- RQ2实时游戏内指标（金币、经验、死亡次数）在多大程度上提升了实时比赛结果预测的准确性？
- RQ3通过序列建模（如ASM）捕捉表现趋势，是否能在比赛早期阶段超越静态特征建模（如逻辑回归）？
- RQ4比赛时长如何影响先验特征的预测能力？实时数据是否能缓解这种衰减？
- RQ5与单一全局模型相比，训练时间特定的逻辑回归模型是否能提升准确率？
主要发现
- 相较于仅使用英雄级别特征的模型，增加多样化先验特征（英雄、玩家及英雄-玩家组合）使预测准确率从58.69%提升至71.49%。
- 引入实时特征后，在比赛第40分钟时达到93.73%的峰值准确率。
- 在比赛早期阶段（20分钟前），属性序列模型（ASM）优于逻辑回归，因为表现趋势比当前数值更具信息量。
- 时间特定的逻辑回归模型优于单一全局模型，因其能更好地保留不同比赛阶段中特征效应的时间异质性。
- 仅使用先验特征的预测准确率在比赛时长超过55分钟时降至65%以下，表明随着比赛推进，先验特征的预测能力显著下降。
- 本研究发现，实时游戏数据在后期阶段成为主导预测因子，而先验特征在长时比赛中的可靠性降低。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。