1 |
1
뉴럴 네트워크를 이용한 경기의 승부 예측 방법에 있어서,과거에 수행된 경기에 대한 경기 데이터를 수집하는 단계;상기 경기 데이터 대하여 데이터 전처리를 수행하는 단계;상기 데이터 전처리가 수행된 경기 데이터를 이용하여 승부 예측 모델을 학습시키는 단계; 및상기 학습된 승부 예측 모델을 이용하여 경기 결과의 예측 값을 획득하는 단계를 포함하고,상기 승부 예측 모델은, LSTM(Long short-term memory) 모델이고,상기 승부 예측 모델을 학습시키는 단계는,상기 승부 예측 모델로부터 획득한 출력 값이, 라벨링이 수행된 팀별 통계 데이터와 가장 유사한 것으로 나타날 때의 상기 LSTM 모델의 은닉층의 개수와 각 은닉층에 포함된 인공 뉴런들의 개수를 최적의 설정 정보로 결정하는 단계; 및 과거에 수행된 제1 경기 시즌에 대한 경기 데이터를 학습 데이터로서 이용하여 상기 승부 예측 모델을 통해 제2 경기 시즌에 대응하는 경기 결과를 예측하고, 상기 제2 경기 시즌에 대응하는 예측된 경기 결과와 실제 제2 경기 시즌에 대한 경기 결과에 기초하여 상기 승부 예측 모델을 학습시키는 단계를 포함하는 승부 예측 방법
|
2 |
2
제1항에 있어서,과거에 수행된 경기에 대한 경기 데이터를 수집하는 단계는,상기 과거에 수행된 경기에 대한 경기 데이터를 시간 순서대로 정렬된 시계열 데이터 형태로 수집하는 단계를 포함하는,승부 예측 방법
|
3 |
3
제1항에 있어서,상기 데이터 전처리를 수행하는 단계는,상기 경기 데이터로부터 팀별 통계 데이터를 추출하는 단계; 및상기 팀별 통계 데이터에 대하여 정규화 및 라벨링을 수행하는 단계를 포함하는,승부 예측 방법
|
4 |
4
제3항에 있어서,상기 경기는 축구 경기이고,상기 팀별 통계 데이터는,상기 팀별 통계 데이터에 대응하는 각각에 팀에 대한 상기 경기 데이터와 관련한 경기의, 볼 점유율, 유효슈팅 수, 총 슈팅 횟수, 총 볼 터치 횟수, 총 패스 횟수, 총 태클 횟수, 총 수비 성공 횟수, 경기 결과 및 리그 내 순위 중 적어도 하나를 포함하는,승부 예측 방법
|
5 |
5
삭제
|
6 |
6
삭제
|
7 |
7
제1항에 있어서,상기 승부 예측 모델을 학습시키는 단계는,상기 출력 값과 상기 학습 데이터에 기초하여 상기 LSTM 모델의 은닉층의 개수와 각 은닉층에 포함될 인공 뉴런들의 개수를 결정하는 단계를 포함하는,승부 예측 방법
|
8 |
8
제7항에 있어서,상기 은닉층의 개수와 각 은닉층에 포함될 인공 뉴런들의 개수를 결정하는 단계는,상기 출력 값과 라벨링이 수행된 팀별 통계 데이터 간의 유사도에 기초하여 상기 은닉층의 개수와 각 은닉층에 포함될 인공 뉴런들의 개수를 결정하는 단계를 포함하는,승부 예측 방법
|
9 |
9
제1항에 있어서,상기 경기 결과의 예측 값을 획득하는 단계는,제2 경기 시즌보다 미래에 수행될 제3 경기 시즌에 대한 경기 결과의 예측 값을 획득하는 단계를 포함하는,승부 예측 방법
|
10 |
10
승부 예측 방법을 수행하는 뉴럴 네트워크 기반의 승부 예측 장치에 있어서,과거에 수행된 경기에 대한 경기 데이터를 수집하는 데이터 수집부;상기 경기 데이터 대하여 데이터 전처리를 수행하는 데이터 전처리부;경기 결과에 대한 예측 값을 출력하는 승부 예측 모델;상기 데이터 전처리가 수행된 경기 데이터를 이용하여 승부 예측 모델을 학습시키는 학습부; 및상기 데이터 수집부가 수집한 데이터를 저장하는 데이터베이스를 포함하고,상기 승부 예측 모델은, LSTM(Long short-term memory) 모델이고,상기 학습부는,상기 승부 예측 모델로부터 획득한 출력 값이, 라벨링이 수행된 팀별 통계 데이터와 가장 유사한 것으로 나타날 때의 상기 LSTM 모델의 은닉층의 개수와 각 은닉층에 포함된 인공 뉴런들의 개수를 최적의 설정 정보로 결정하고,과거에 수행된 제1 경기 시즌에 대한 경기 데이터를 학습 데이터로서 이용하여 상기 승부 예측 모델을 통해 제2 경기 시즌에 대응하는 경기 결과를 예측하고, 상기 제2 경기 시즌에 대응하는 예측된 경기 결과와 실제 제2 경기 시즌에 대한 경기 결과에 기초하여 상기 승부 예측 모델을 학습시키는,승부 예측 장치
|