胜负预测系统的制作方法

1.本发明涉及能够预测比赛的胜负结果的胜负预测系统。


背景技术：

2.现有技术中，提出了分析足球队的战力的系统。在现有的系统中，例如，从与足球队相关的已有数据库收集并存储作为反映针对各足球队分为主场和客场的定性强度的参考指标的胜负结果代码以及各足球队的其他关联数据项目，通过相关分析，定性地将收集的作为参考指标的胜负结果代码和其他关联数据项目相关联，基于相关联的关联指标，进行基于各足球队的分为主场和客场的线性和运算的定性的战力评级(例如，参照专利文献1)。现有技术文献专利文献
3.专利文献1：日本特开2004-110826号公报


技术实现要素：

发明所要解决的课题
4.然而，在现有的系统中，虽然能够分析足球队的战力，但无法预测比赛的胜负结果。
5.本发明是鉴于上述的课题而做出的，目的在于提供能够预测比赛的胜负结果的胜负预测系统。用于解决课题的技术方案
6.本发明的胜负预测系统具备：影像获取部，获取分析对象的比赛中的影像；第一系统，推定所述比赛中的控球；第二系统，推定所述比赛中发生的事件；以及第三系统，根据所述第一系统的检测结果和所述第二系统的检测结果来预测所述比赛的胜负结果，所述第一系统具备：第一机器学习部，通过机器学习来分析过去比赛的给定场景的影像和与该过去比赛的给定场景中的选手及球的位置相关的信息之间的关系；第一推定部，基于由所述第一机器学习部分析出的关系，将由所述影像获取部获取的所述分析对象的比赛中的给定场景的影像作为输入，推定并输出该分析对象的比赛的给定场景中的选手及球的位置；第一判定部，基于从所述第一推定部输出的所述选手及球的位置，判定并输出所述分析对象的比赛的给定场景中的控球，所述第二系统具备：第二机器学习部，通过机器学习来分析过去比赛的给定场景的影像和与在该过去比赛中的给定场景发生的事件相关的信息之间的关系；以及第二推定部，基于由所述第二机器学习部分析出的关系，将由所述影像获取部获取的所述分析对象的比赛中的给定场景的影像作为输入，推定并输出在该分析对象的比赛中的给定场景发生的事件，所述第三系统具备：第三机器学习部，通过机器学习来分析与过去比赛的给定场景中的控球、在所述给定场景发生的事件、从比赛开始起到所述给定场景为止的经过时间、所述给定场景的时间点处的得失点相关的信息和该过去比赛的胜负结果之
间的关系；以及第三推定部，基于由所述第三机器学习部分析出的关系，将与从所述第一判定部输出的所述分析对象的比赛的给定场景中的控球、从所述第二推定部输出的在所述分析对象的比赛的给定场景发生的事件、从所述分析对象的比赛开始起到所述给定场景为止的经过时间、所述分析对象的比赛的给定场景的时间点处的得失点相关的信息作为输入，推定并输出在该分析对象的比赛的给定场景的时间点处所预想的比赛的胜负结果。
7.根据该构成，首先，在输入分析对象的比赛中的给定场景的影像时，使用通过机器学习分析出的关系(过去比赛的给定场景的影像和与该过去比赛的给定场景中的选手及球的位置相关的信息之间的关系)，推定该给定场景中的选手及球的位置。然后，基于推定出的选手及球的位置，判定该给定场景中的控球。另外，在输入分析对象的比赛中的给定场景的影像时，使用通过机器学习分析出的关系(过去比赛的给定场景的影像和与在该过去比赛中的给定场景发生的事件相关的信息之间的关系)，推定在该给定场景发生的事件(例如，在进球前发起进攻而进行了射门等)。然后，输入与在输入分析对象的比赛的给定场景中的控球(判定的控球)、在该给定场景发生的事件(推定的事件)、到该给定场景为止的经过时间、该给定场景中的得失点相关的信息时，使用通过机器学习分析出的关系(与过去比赛的给定场景中的控球、在该给定场景发生的事件、到该给定场景为止的经过时间、该给定场景的时间点处的得失点相关的信息和该过去比赛的胜负结果之间的关系)，推定在给定场景的时间点实时预想的比赛的胜负结果。如此，根据分析对象的比赛中的影像，能够实时预测该比赛的胜负结果。
8.另外，在本发明的胜负预测系统中，所述第三系统也可以具备图像分析部，该图像分析部对所述分析对象的比赛中的给定场景的影像进行图像分析，从而获取与从该给定场景的所述分析对象的比赛开始起到所述给定场景为止的经过时间、所述分析对象的比赛的给定场景的时间点处的得失点相关的信息。
9.根据该构成，通过对分析对象的比赛中的给定场景的影像进行图像分析，能够获取与到该给定场景为止的经过时间、该给定场景的时间点处的得失点相关的信息。将通过图像分析获取的信息(与到该给定场景为止的经过时间、该给定场景的时间点处的得失点相关的信息)输入第三推定部，从而能够用于该比赛的胜负结果的推定。
10.另外，在本发明的胜负预测系统中，所述第三推定部也可以分别推定并输出胜的概率、负的概率、平局的概率，来作为在所述分析对象的比赛的给定场景的时间点实时预想的胜负结果。
11.根据该构成，输出胜的概率、负的概率、平局的概率作为预想的胜负结果，因此能够一目了然地了解胜负结果。
12.本发明的胜负预测方法是利用胜负预测系统执行的胜负预测方法，所述胜负预测系统具备：影像获取部，获取分析对象的比赛中的影像；第一系统，推定所述比赛中的控球；第二系统，推定所述比赛中发生的事件；以及第三系统，根据所述第一系统的检测结果和所述第二系统的检测结果来预测所述比赛的胜负结果，在所述第一系统中执行如下步骤：第一机器学习步骤，通过机器学习来分析过去比赛的给定场景的影像和与该过去比赛的给定场景中的选手及球的位置相关的信息之间的关系；第一推定步骤，基于在所述第一机器学习步骤中分析出的关系，将由所述影像获取部获取的所述分析对象的比赛中的给定场景的影像作为输入，推定并输出该分析对象的比赛的给定场景中的选手及球的位置；以及第一
判定步骤，基于从所述第一推定步骤输出的所述选手及球的位置，判定并输出所述分析对象的比赛的给定场景中的控球，在所述第二系统中执行如下步骤：第二机器学习步骤，通过机器学习来分析过去比赛的给定场景的影像和与在该过去比赛中的给定场景发生的事件相关的信息之间的关系；以及第二推定步骤，基于在所述第二机器学习步骤中分析出的关系，将由所述影像获取部获取的所述分析对象的比赛中的给定场景的影像作为输入，推定并输出在该分析对象的比赛中的给定场景发生的事件，在所述第三系统执行如下步骤：第三机器学习步骤，通过机器学习来分析与过去比赛的给定场景中的控球、在所述给定场景发生的事件、从比赛开始起到所述给定场景为止的经过时间、所述给定场景的时间点处的得失点相关的信息和该过去比赛的胜负结果之间的关系；以及第三推定步骤，基于在所述第三机器学习步骤中分析出的关系，将与从所述第一判定步骤输出的所述分析对象的比赛的给定场景中的控球、从所述第二推定步骤输出的在所述分析对象的比赛的给定场景发生的事件、从所述分析对象的比赛开始起到所述给定场景为止的经过时间、所述分析对象的比赛的给定场景的时间点处的得失点相关的信息作为输入，推定并输出在该分析对象的比赛的给定场景的时间点处所预想的比赛的胜负结果。
13.通过该方法，也与上述的系统同样地，首先，输入分析对象的比赛中的给定场景的影像，使用通过机器学习分析出的关系(过去比赛的给定场景的影像和与该过去比赛的给定场景中的选手及球的位置相关的信息之间的关系)，推定该给定场景中的选手及球的位置。然后，基于推定的选手及球的位置，判定该给定场景中的控球。另外，在输入分析对象的比赛中的给定场景的影像时，使用通过机器学习分析出的关系(过去比赛的给定场景的影像和与在该过去比赛中的给定场景发生的事件相关的信息之间的关系)，推定在该给定场景发生的事件(例如，在进球前发起进攻而进行了射门等)。然后，输入与分析对象的比赛的给定场景中的控球(判定的控球)、在该给定场景发生的事件(推定的事件)、到该给定场景为止的经过时间、该给定场景中的得失点相关的信息，使用通过机器学习分析出的关系(与过去比赛的给定场景中的控球、在该给定场景发生的事件、到该给定场景为止的经过时间、该给定场景的时间点处的得失点相关的信息和该过去比赛的胜负结果之间的关系)，推定在该给定场景的时间点实时预想的比赛的胜负结果。如此，能够根据分析对象的比赛中的影像来实时预测该比赛的胜负结果。发明效果
14.根据本发明，能够根据分析对象的比赛中的影像来预测该比赛的胜负结果。
附图说明
15.图1是表示本发明的实施方式的胜负预测系统的构成的图。图2是本发明的实施方式的第一系统的框图。图3是表示本发明的实施方式的控球的判定的例子的图。图4是本发明的实施方式的第二系统的框图。图5是表示本发明的实施方式的事件的例子的图。图6是本发明的实施方式的第三系统的框图。图7是表示本发明的实施方式的胜负预测的例子的图。图8是表示本发明的实施方式的胜负预测系统的动作(处理的流程)的图。
具体实施方式
16.以下，使用附图对本发明的实施方式的胜负预测系统进行说明。在本实施方式中，例示用于足球等比赛的胜负预测的胜负预测系统的情况。
17.参照附图对本发明的实施方式的胜负预测系统的构成进行说明。图1是表示本实施方式的胜负预测系统的构成的图。如图1所示，胜负预测系统1经由网络n与比赛拍摄系统10连接。比赛拍摄系统10具备拍摄足球等比赛中的影像的拍摄部11、以及将所拍摄的影像经由网络n进行传送的影像传送部12。
18.如图1所示，胜负预测系统1具备：影像获取部2，获取从比赛拍摄系统10传送来的比赛中的影像(分析对象的比赛中的影像)；第一系统4，推定比赛中的控球；第二系统5，推定比赛中发生的事件；以及第三系统6，根据第一系统4的检测结果和第二系统5的检测结果来预测比赛的胜负结果。另外，胜负预测系统1具备存储过去比赛的影像数据的影像存储部3。此外，在影像存储部3，也可以存储从比赛拍摄系统10传送来得比赛中的影像(分析对象的比赛中的影像)。
19.图2是第一系统4的框图。如图2所示，第一系统4具备第一输入输出部40、第一机器学习部41、第一推定部42以及第一判定部43。
20.向第一输入输出部40输入存储于影像存储部3的过去比赛的影像、由影像获取部2获取的分析对象的比赛中的影像。从第一输入输出部40输出第一判定部43中的判定结果的信息(分析对象的比赛的给定场景中的控球的信息)。
21.第一机器学习部41通过机器学习对存储于影像存储部3的过去比赛的给定场景的影像和与该过去比赛的给定场景中的选手及球的位置相关的信息之间的关系进行分析。在该机器学习中，使用基于神经网络的深度学习等的任意的方法。例如，如果是神经网络，则构成为将过去比赛的给定场景的影像输入输入层，并将与该过去比赛的给定场景中的选手及球的位置相关的信息从输出层输出。然后，通过使用输入到输入层的数据和从输出层输出的数据相关联的分析用数据的有监督学习，使神经网络的神经元间的加权系数最优化。
22.第一推定部42基于由第一机器学习部41分析出的关系，将由影像获取部2获取的分析对象的比赛中的给定场景的影像作为输入，推定并输出该分析对象的比赛的给定场景中的选手及球的位置。例如，如果是上述的神经网络，则将由影像获取部2获取的分析对象的比赛中的给定场景的影像输入输入层，并将与该分析对象的比赛的给定场景中的选手及球的位置相关的信息从输出层输出，由此进行推定。
23.第一判定部43基于从第一推定部42输出的选手及球的位置，判定并输出分析对象的比赛的给定场景中的控球(哪个球队持有球)。例如，第一判定部43基于球与选手之间的距离，判定与球之间的距离最近的选手侧的球队为正在持球的球队。
24.图3是表示控球的判定的例子的图。在图3中，从左向右进攻的球队(a队)的选手用“带斜线三角形”图示，从右向左进攻的球队(b队)的选手用“白三角形”图示。另外，球用“黑圆”图示。在该图3的例子中，与球之间的距离最近的选手是a队的选手，因此判定为a队是正在持球的球队。
25.图4是第二系统5的框图。如图4所示，第二系统5具备第二输入输出部50、第二机器学习部51、第二推定部52。
26.向第二输入输出部50输入存储于影像存储部3的过去比赛的影像。从第二输入输
出部50输出第二推定部52中的推定结果的信息(在分析对象的比赛的给定场景发生的事件的信息)。
27.第二机器学习部51通过机器学习来分析过去比赛的给定场景的影像和与在该过去比赛中的给定场景发生的事件相关的信息之间的关系。在该机器学习中，使用基于神经网络的深度学习等的任意的方法。例如，如果是神经网络，则构成为将过去比赛的给定场景的影像输入输入层，并将与在该过去比赛中的给定场景发生的事件相关的信息从输出层输出。然后，通过使用输入到输入层的数据和从输出层输出的数据相关联的分析用数据的有监督学习，使神经网络的神经元间的加权系数最优化。
28.第二推定部52基于由第二机器学习部51分析出的关系，将由影像获取部2获取的分析对象的比赛中的给定场景的影像作为输入，推定并输出在该分析对象的比赛中的给定场景发生的事件。例如，如果是上述的神经网络，则将由影像获取部2获取的分析对象的比赛中的给定场景的影像输入输入层，并将与在该分析对象的比赛中的给定场景发生的事件相关的信息从输出层输出，由此进行推定。
29.图5是表示在比赛中的给定场景发生的事件的例子的图。在图5中，示出了关于正在持球的球队所发生的事件的例子。例如，作为攻击成功的情况的事件的例子，可举出“运球突破成功”、“传球成功”、“射门成功”等。另外，作为攻击失败的情况的事件的例子，可举出“运球突破失败”、“传球失败”、“射门失败”等。
30.图6是第三系统6的框图。如图6所示，第三系统6具备第三输入输出部60、第三机器学习部61以及第三推定部62。
31.向第三输入输出部60输入与过去比赛的给定场景中的控球、在该给定场景发生的事件、从比赛开始起到给定场景为止的经过时间、给定场景的时间点处的得失点相关的信息、与从第一判定部43输出的分析对象的比赛的给定场景中的控球、从第二推定部52输出的在分析对象的比赛的给定场景发生的事件、从分析对象的比赛开始起到给定场景为止的经过时间、分析对象的比赛的给定场景的时间点处的得失点相关的信息。从第三输入输出部60输出第三推定部62中的推定结果的信息(在分析对象的比赛的给定场景的时间点处所预想的比赛的胜负结果的信息)。
32.第三机器学习部61通过机器学习对与过去比赛的给定场景中的控球、在给定场景发生的事件、从比赛开始起到给定场景为止的经过时间、给定场景的时间点处的得失点相关的信息和该过去比赛的胜负结果之间的关系进行分析。在该机器学习中，可以使用基于神经网络的深度学习等的任意的方法。例如，如果是神经网络，则构成我将与过去比赛的给定场景中的控球、在给定场景发生的事件、从比赛开始起到给定场景为止的经过时间、给定场景的时间点处的得失点相关的信息输入输入层，并将与该过去比赛的胜负结果相关的信息从输出层输出。然后，通过使用输入到输入层的数据和从输出层输出的数据相关联的分析用数据的有监督学习，使神经网络的神经元间的加权系数最优化。
33.第三推定部62基于由第三机器学习部61分析出的关系，将与从第一判定部43输出的分析对象的比赛的给定场景中的控球、从第二推定部52输出的在分析对象的比赛的给定场景发生的事件、从分析对象的比赛开始起到给定场景为止的经过时间、分析对象的比赛的给定场景的时间点处的得失点相关的信息作为输入，推定并输出在该分析对象的比赛的给定场景的时间点处所预想的比赛的胜负结果。例如，如果是上述的神经网络，则将与从第
一判定部43输出的分析对象的比赛的给定场景中的控球、从第二推定部52输出的在分析对象的比赛的给定场景发生的事件、从分析对象的比赛开始起到给定场景为止的经过时间、在分析对象的比赛的给定场景的时间点处的得失点相关的信息输入输入层，并将与在该分析对象的比赛的给定场景的时间点处所预想的比赛的胜负结果相关的信息从输出层输出，由此进行推定。
34.此外，第三系统6还可以具备图像分析部(未图示)，该图像分析部对分析对象的比赛中的给定场景的影像进行图像分析，从而与从该给定场景的分析对象的比赛开始起到给定场景为止的经过时间、在分析对象的比赛的给定场景的时间点处的得失点相关的信息。在该图像分析中，可以利用公知的技术。另外，第三推定部62分别推定并输出胜的概率、负的概率、平局的概率，来作为在分析对象的比赛的给定场景的时间点处所预想的胜负结果。
35.另外，也可以向第三推定部62输入各球队的出场队员(首发出场、中途出场)的过去成绩、各球队的攻击统计数据(运球距离、传球成功率、射门成功率等)、各球队的防守统计数据(解围、断球数等)、各球队的物理统计数据(对决次数等)，各球队的违规次数(犯规次数、黄/红牌张数等)、本球队与对手球队之间的过往比赛成绩、本球队与对手球队之间的最近的成绩(胜负/得分/失分)、进行比赛时间点的本球队与对手球队顺位、进行比赛时点的进行比赛顺位差、联赛/地域/赛会信息、天气(晴、阴、下雨等)、气温/湿度、球场观众数、开球时间、开球日期(年/月)等的信息。
36.另外，也可以从第三推定部62输出比赛的最终比分、比赛的中途比分、接下来得分的球队/选手、到接下来得分为止的经过时间、接下来做出动作(进行射门、运球、传球、掷球等动作)的球队/选手、到接下来做出动作为止的经过时间、接下来替换的选手等的信息。
37.关于以上这样构成的胜负预测系统1，参照图8的流程图对其动作进行说明。
38.在本实施方式的胜负预测系统1中，首先作为事先的准备，在第一系统4中，通过机器学习对过去比赛的给定场景的影像和与该过去比赛的给定场景中的选手及球的位置相关的信息之间的关系进行分析(第一机器学习步骤)。另外，在第二系统5中，通过机器学习对过去比赛的给定场景的影像和与在该过去比赛中的给定场景发生的事件相关的信息之间的关系进行分析(第二机器学习步骤)。进而，在第三系统6中，通过机器学习对与过去比赛的给定场景中的控球、在给定场景发生的事件、从比赛开始起到给定场景为止的经过时间、给定场景的时间点处的得失点相关的信息和该过去比赛的胜负结果之间的关系进行分析(第三机器学习步骤)。
39.然后，图8所示，在预测分析对象的比赛的胜负结果的情况下，获取由比赛拍摄系统10拍摄的影像(分析对象的比赛中的影像)(s1)，基于在第一机器学习步骤中分析出的关系，将由影像获取部2获取的分析对象的比赛中的给定场景的影像作为输入，推定并输出该分析对象的比赛的给定场景中的选手及球的位置(s2)，基于输出的选手及球的位置，判定并输出分析对象的比赛的给定场景中的控球(s3)。
40.接着，在第二系统5中，基于在第二机器学习步骤中分析出的关系，将由影像获取部2获取的分析对象的比赛中的给定场景的影像作为输入，推定并输出在该分析对象的比赛中的给定场景发生的事件(s4)。然后，在第三系统6中，将与从第一判定步骤输出的分析对象的比赛的给定场景中的控球、从第二推定步骤输出的在分析对象的比赛的给定场景发生的事件、从分析对象的比赛开始起到给定场景为止的经过时间、分析对象的比赛的给定
场景的时间点处的得失点相关的信息作为输入，推定并输出在该分析对象的比赛的给定场景的时间点处所预想的比赛的胜负结果(s5)。
41.根据这样的本实施方式的胜负预测系统1，能够预测足球比赛的胜负结果。
42.即，在本实施方式中，首先，输入分析对象的比赛中的给定场景的影像时，使用通过机器学习分析出的关系(过去比赛的给定场景的影像和与该过去比赛的给定场景中的选手及球的位置相关的信息之间的关系)，推定该给定场景中的选手及球的位置。然后，基于推定出的选手及球的位置，判定该给定场景中的控球。
43.另外，输入分析对象的比赛中的给定场景的影像时，使用通过机器学习分析出的关系(过去比赛的给定场景的影像和与在该过去比赛中的给定场景发生的事件相关的信息之间的关系)，推定在该给定场景发生的事件(例如，在进球前发起进攻而进行了射门等)。
44.然后，输入与分析对象的比赛的给定场景中的控球(判定的控球)、在该给定场景发生的事件(推定的事件)、到该给定场景为止的经过时间、该给定场景中的得失点相关的信息时，使用通过机器学习分析出的关系(与过去比赛的给定场景中的控球、在该给定场景发生的事件、到该给定场景为止的经过时间、该给定场景的时间点处的得失点相关的信息和该过去比赛的胜负结果之间的关系)，推定在该给定场景的时间点实时预想的比赛的胜负结果。如此，能够根据分析对象的比赛中的影像实时预测该比赛的胜负结果。
45.另外，在本实施方式中，通过对分析对象的比赛中的给定场景的影像进行图像分析，能够获取与到该给定场景为止的经过时间、该给定场景的时间点处的得失点相关的信息。能够将通过图像分析所获取的信息(与到该给定场景为止的经过时间、该给定场景的时间点处的得失点相关的信息)输入第三推定部62，从而用于该比赛的胜负结果的推定。
46.另外，在本实施方式中，输出胜的概率、负的概率、平局的概率作为预想的胜负结果，因此能够一目了然地简单地了解胜负结果。
47.以上，通过例示对本发明的实施方式进行了说明，但本发明的范围不限定于此，在权利要求记载的范围内，能够根据目的进行变更/变形。
48.例如，在以上的说明中，关于预测足球比赛的胜负结果的示例进行了说明，但本发明对于足球以外的比赛(例如，橄榄球、美式足球、篮球、冰球等)的胜负预测，也同样能够实施。(工业实用性)
49.如上所述，本发明涉及的胜负预测系统具有根据分析对象的比赛中的影像能够预测该比赛的胜负结果的效果，作为足球等比赛的胜负预测系统是有用的。(标号说明)
[0050]1ꢀꢀ
胜负预测系统2
ꢀꢀ
影像获取部3
ꢀꢀ
影像存储部4
ꢀꢀ
第一系统5
ꢀꢀ
第二系统6
ꢀꢀ
第三系统10
ꢀꢀ
比赛拍摄系统11
ꢀꢀ
拍摄部
12
ꢀꢀ
影像传送部40
ꢀꢀ
第一输入输出部41
ꢀꢀ
第一机器学习部42
ꢀꢀ
第一推定部43
ꢀꢀ
第一判定部50
ꢀꢀ
第二输入输出部51
ꢀꢀ
第二机器学习部52
ꢀꢀ
第二推定部60
ꢀꢀ
第三输入输出部61
ꢀꢀ
第三机器学习部62
ꢀꢀ
第三推定部n
ꢀꢀ
网络。