The Journal of Bigdata (한국빅데이터학회지)

Korea Bigdata Society (한국빅데이터학회)
권호 표지
DOI QR코드

DOI QR Code

Predicting win-loss using game data and deriving the importance of subdivided variables

게임데이터를 이용한 승패예측 및 세분화된 변수 중요도 도출 기법

  • 오민지 (충북대학교 대학원 빅데이터협동과정) ;
  • 최은선 (충북대학교 대학원 빅데이터협동과정) ;
  • ;
  • 조완섭 (충북대학교 경영정보학과)
  • Received : 2020.11.30
  • Accepted : 2020.12.31
  • Published : 2020.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

With the development in the IT industry and the growth in the game industry, user's game data is recorded in seconds according to various plays and options, and a vast amount of game data can be analyzed based on Bigdata. Combined with business, Bigdata is used to discover new values for profit creation in various fields, but it is utilized in the game industry in insufficient ways. In this study, considering the characteristics of the subdivided lines, we constructed a win-loss prediction model for each line using the game data of League of Legends, and derived the importance of variables. This study can contribute to planning of strategies for general game users to get information about team members in advance and increase the win rate by using the record search sites.

정보통신기술의 발달과 더불어 게임 산업이 성장하면서 유저의 게임데이터는 다양한 플레이 및 옵션에 따라 초 단위로 기록되며 방대한 양의 게임데이터를 빅데이터 기반으로 분석할 수 있게 되었다. 비즈니스와 결합하여 다양한 분야에서 수익창출을 위한 새로운 가치를 발견하는 것에 빅데이터를 활용하고 있지만, 게임 산업에서의 빅데이터 활용은 미흡한 실정이다. 본 연구에서는 리그오브레전드의 게임데이터를 이용하여 라인 별 승패예측모형을 구축한 뒤 세분화 된 라인의 특성을 반영한 변수 중요도를 도출하여 일반 게임유저가 승률을 올리기 위해 전적검색사이트를 이용하여 사전에 팀 구성원에 대한 정보를 제공받을 수 있도록 한다.

Keywords

References

  1. 강하나, 용혜련, 황현석. (2019). 빅데이터를 활용한 게임 전략 및 유저 행동 패턴 분석: 배틀그라운드 게임을 중심으로. 한국게임학회문지, 19(4), 27-35.
  2. 김한준. "코로나19 장기화 조짐... 게임산업에 미치는 영향은?" ZDNet Korea, 2020.06.25.
  3. 이지효. "게임에 돈 쓰는 MZ세대... 왜 e스포츠에 열광하나" 한국경제, 2020.10.21.
  4. 용혜련, 김도진, 황현석. (2015). Data Mining을 이용한 전략시뮬레이션 게임 데이터 분석. 한국게임학회 논문지, 15(4), 59-68. https://doi.org/10.7583/JKGS.2015.15.4.59
  5. 이재현, 이수원. (2020). 앙상블 기법을 통한 잉글리시 프리미어리그 경기결과 예측. 정보처리학회논문지, 9(5), 161-168. https://doi.org/10.3745/KTSDE.2020.9.5.161
  6. 김원종, 최연식, 유동희. (2018). 데이터 마이닝을 활용한 한국 프로야구 구단의 승패예측과 승률향상을 위한 전략 도출 연구. 한국스포츠산업경영학회지, 23(3), 88-104.
  7. 노언석, 최재현. (2017). 기계학습을 활용한 프로야구 승부예측에 관한 연구. 한국IT정책경영학회 논문지, 9(1), 335-338.
  8. Cheolgi Kim, Soowon Lee. (2019). Predicting Win-Loss of League of Legends at the Start of the Game using Machine Learning Techniques. ISSAT DSBFI. 28-30.
  9. 구지민, 김재희. (2017). 게임 데이터를 이용한 지표 개발과 승패예측모형 설계. 한국데이터정보과학회지, 28(2), 237-250.
  10. 박준영, 채명수, 정성관. (2016). 실시간 범죄예측을 위한 랜덤포레스트 알고리즘 기반의 범죄유형 분류모델 및 모니터링 인터페이스 디자인요소 제안. 정보과학회 컴퓨팅의 실제 논문지, 22(9), 455-460. https://doi.org/10.5626/KTCP.2016.22.9.455
  11. 박은총, 김수연, 손승우, 박서영, 이두희. (2019). Support Vector Machine과 Gradient Boosting Machine 기반의 풍력발전량 예측 알고리즘 개발과 전력거래소 풍력발전량 예측 대회를 통한 알고리즘 성능 검증. 전기학회논문지, 68(12), 1694-1703.
  12. D. Lee, H. Shin, and R. Baldick. (2018). Bivariate Probabilistic Wind Power and Real-Time Price Forecasting and Their Applications to Wind Power Bidding Strategy Development. IEEE Transactions on Power Systems, 33(6), 6087-6097. https://doi.org/10.1109/TPWRS.2018.2830785
  13. Chen, T. and C. Guestrin(2016). XGBoost: A Scalable Tree Boosting System. KDD'16, 785-794.
  14. Jae-Young Oh, Do-Hyeon Ham, Yong-Geon Lee, Gi-bak Kim (2019). Power Generation Prediction using XGBoost with Hyperparameter Optimization, The Korean Institute of Electrical Engineers, 112-113.
  15. 정진화, 채영태. (2017). 건물유형별 에너지소비예측성능 향상을 위한 변수중요도 및 기계학습모델 평가. 한국건축친환경설비학회 논문집, 11(6), 586-598.

Cited by

  1. 기계학습을 활용한 게임승패 예측 및 변수중요도 산출을 통한 전략방향 도출 vol.21, pp.4, 2021, https://doi.org/10.7583/jkgs.2021.21.4.3