基于深度神经网络的电子竞技比赛胜负预测方法与流程

本发明涉及一种数据挖掘与深度学习技术，特别是一种基于深度神经网络的电子竞技比赛胜负预测方法。

背景技术：

当前电子竞技比赛发展迅速，赛事规模逐渐扩大，并且趋于正规化。电子竞技作为一种立足于计算机技术和网络技术的竞技项目，会产生实时数据并进行大量数据交换。随着电子竞技比赛数量的爆炸式增长，电子竞技比赛的大数据也由此产生。如何利用电子竞技比赛数据进行比赛胜负的预测是一个重要的研究前景，也是数据挖掘技术的研究内容。不同于一般的体育赛事，单场电子竞技比赛数据的数据量就非常庞大，普通的预测手段在对处理这种规模的数据时通常存在速度慢、效果差的缺点，而深度神经网络作为一种处理大数据的常用方法，非常适合应用于电子竞技比赛胜负的预测，因此提出一种基于深度神经网络的电子竞技比赛胜负预测系统。

技术实现要素：

本发明的目的在于提供一种基于深度神经网络的电子竞技比赛胜负预测方法，包括以下步骤：

步骤1，基于网络爬虫机制获取互联网上的大量电子竞技比赛数据；

步骤2，将比赛数据分为测试数据和训练数据且标注获胜队伍编号；

步骤3，构造深度神经网络并在网络隐含层之间嵌入batchnormalization；

步骤4，使用比赛数据对网络进行训练和测试得到网络参数；

步骤5，选择需要比赛预测的两支队伍，获取两支队伍的比赛数据，并使用网络参数进行计算，得到最可能获胜的一方的队伍编号。

本发明利用了网络上现有的电子竞技比赛数据，能够尽可能地利用每场比赛中的所有数据指标；本发明呈现预测结果的时候，能够通过用户选择收集数据，利用深度神经网络技术得到最可能获胜的队伍编号，使用户在比赛开始之前得到预测结果，十分方便直观。

下面结合说明书附图对本发明做进一步描述。

附图说明

图1是本发明基于深度神经网络的电子竞技比赛胜负预测方法流程图。

图2是基于深度神经网络的电子竞技比赛胜负预测系统演示的效果图。

具体实施方式

结合图1，一种基于深度神经网络的电子竞技比赛胜负预测方法，包括以下步骤：

步骤1，基于网络爬虫机制，获取互联网上的大量电子竞技比赛数据，比赛数据包括队伍信息和选手信息，其中对不信息包括排名、胜率、mmr，选手信息包括等级、kda、补刀、伤害、治疗、建筑伤害、单场胜负；

步骤2，对比赛数据进行包括归一化和数据增广在内的预处理，并分为测试数据和训练数据以及各自的标签，其中测试数据：训练数据＝3：1；

步骤3，构造深度神经网络，在网络中嵌入batchnormalization；

步骤4，使用比赛数据对网络进行训练和测试，得到网络参数；

步骤5，选择需要比赛预测的两支队伍，获取两支队伍的比赛数据，并使用网络参数进行计算，得到最可能获胜的一方；

步骤6，显示预测的获胜方。

步骤1中的网站是dotamax(http://dotamax.com/)，应用于电子竞技游戏dota2(defenseoftheancients2)。

步骤2中在获取到数据后对其进行预处理，比赛数据为包含多个比赛队伍多个场次的稀疏数据，每一条比赛数据对应一场比赛，其内容为参与这场比赛的两支队伍在各自最近比赛中的数据：

其中matchdata(i,t)表示队伍i在比赛场次t中的数据。

每一条比赛数据也唯一地对应一个标签，即这场比赛获胜队伍编号。

数据预处理时，对该数据进行了归一化操作。

步骤3中对于深度神经网络，在网络的隐含层之间嵌入了batchnormalization，是指对上一层的输出进行归一化：

其中x^(k)是上一层的输出，是batchnormalization的输出，为了保持表达能力，对归一化的结果增加了两个参数γ和β：

步骤5中根据用户选择的两支队伍，获取与步骤2中所述同样格式的比赛数据，其中matchdata(i,t)中的队伍i对应的是已选定的两支队伍，将数据代入网络中，使用已经训练过的参数进行计算，就可以得到网络的预测结果。

步骤6中用户查询结果的呈现，如图2所示。用户选择的预测返回结果以一种清晰简洁的方式呈现给用户。

技术特征：

技术总结
本发明提供了一种基于深度神经网络的电子竞技比赛胜负预测方法，包括以下步骤：基于网络爬虫机制获取互联网上的大量电子竞技比赛数据；将比赛数据分为测试数据和训练数据且标注获胜队伍编号；构造深度神经网络并在网络隐含层之间嵌入Batch Normalization；使用比赛数据对网络进行训练和测试得到网络参数；选择需要比赛预测的两支队伍，获取两支队伍的比赛数据，并使用网络参数进行计算，得到最可能获胜的一方的队伍编号。

技术研发人员：唐金辉;戚朕;舒祥波
受保护的技术使用者：南京理工大学
技术研发日：2017.05.31
技术公布日：2017.09.08