생몰정보
소속
직위
직업
활동분야
주기
서지
국회도서관 서비스 이용에 대한 안내를 해드립니다.
검색결과 (전체 1건)
원문 있는 자료 (1) 열기
원문 아이콘이 없는 경우 국회도서관 방문 시 책자로 이용 가능
목차보기더보기
표제지
목차
국문초록 8
ABSTRACT 9
제1장 서론 11
1.1. 연구배경 및 목적 11
1.2. 연구방법 12
1.3. 논문의 구성 13
제2장 관련 연구 14
2.1. 타 종목의 승패 예측에 관한 연구 14
2.2. 컬링경기 승패 예측 연구 및 경기분석 연구 18
2.3. Multi Layer Perceptron(MLP) 20
2.4. Convolutional Neural Network(CNN) 21
2.5. Recurrent Neural Network(RNN) 22
2.6. Support Vector Machine(SVM) 23
2.7. Logistic Regression 25
제3장 제안 방법 26
3.1. 가설 및 문제정의 26
3.2. 제안모델의 구조도 26
3.3. 전처리기 27
3.3.1. Labeling 27
3.3.2. Feature Extraction 28
3.3.3. Dimension Expansion 29
3.4. 1차 예측모델 30
3.5. Feature Merge 31
3.6. 최종예측모델 31
제4장 실험 및 평가 33
4.1. 학습 및 평가 데이터 33
4.2. 성능 평가 척도 36
4.3. Baseline 모델 37
4.4. 실험 설계 38
4.5. 실험 결과 및 해석 41
4.5.1. 제안방법(Hybrid Model)의 우수성 실험결과 41
4.5.2. Dimension Expansion의 우수성 실험결과 43
4.5.3. Feature Merge의 우수성 실험결과 45
4.5.4. 종합 해석 46
제5장 결론 및 향후 연구 50
참고문헌 51
[표 2-1] 타 종목 선행 연구 요약 17
[표 2-2] 컬링 종목 선행 연구 요약 19
[표 3-1] 1엔드부터 5엔드까지의 스코어보드(Raw Data) 예시 28
[표 3-2] Feature Extraction을 이용하여 추출된 Data 28
[표 4-1] 컬링 경기 기록 데이터 종류 및 개수 33
[표 4-2] 수집 데이터(스코어보드) 33
[표 4-3] 사용 목적에 의한 Data Set 구성 34
[표 4-4] Confusion Matrix 36
[표 4-5] Baseline 구축 결과 및 성능 37
[표 4-6] 실험 환경 39
[표 4-7] CNN, RNN, MLP 모델 실험 조건 39
[표 4-8] Logistic Regression 모델 실험 조건 39
[표 4-9] SVM 모델 실험 조건 40
[표 4-10] 본 연구에서 실험한 모델의 성능 평가 결과 42
[표 4-11] Dimension Expansion의 타당성 실험 결과 44
[표 4-12] Feature Merge 과정을 통한 예측 성능 향상 45
[표 4-13] 5엔드 누적점수차(θ5)를 기준으로 분류한 경기 유형(이미지참조) 46
[표 4-14] 1차-모델들과 최종예측모델의 경기 종류에 따른 성능 48
[그림 2-1] 다층퍼셉트론의 구조 20
[그림 2-2] RNN의 구조 22
[그림 2-3] 결정 가능한 다수의 Hyperplane과 최적의 Hyperplane 24
[그림 3-1] 컬링경기 승패 예측 모델 구조도 27
[그림 3-2] Feature Extraction을 통해 변환된 5차원 벡터 29
[그림 3-3] Dimension Expansion을 통해 변환된 85차원 벡터 30
[그림 3-4] 제안모델 구축 과정 32
[그림 4-1] 전처리기를 통해 완성된 Feature Set의 예시 35
[그림 4-2] 본 연구에서 실험한 모델의 성능 평가 결과 42
[그림 4-3] Test Data Set의 경기 유형별 분포 47
초록보기 더보기
최근 스포츠와 IT가 융합된 연구들이 증가하고 있다. 특히, 야구, 축구, 농구, 테니스 등의 스포츠 분야에서 승패 예측에 대한 연구는 많이 보고되고 있으나 컬링종목에 관한 승패 예측 연구는 극히 드물다. 컬링경기는 실내 빙상장에서 진행되는 동계 팀 스포츠이며 빙판위의 체스라고 불릴 만큼 초반, 중반, 후반에 따라 다양한 전략을 내포하고 있는 종목이다. 그러므로 컬링 경기의 승패를 예측하게 되면 그 결과는 감독이나 코치, 선수 및 관련 분석가들에게 전략의 의사결정 자료로서 활용될 수 있다.
본 논문에서는 여자부 국제컬링경기대회에서 5엔드 직후 경기의 승패를 예측하기 위하여 딥러닝 등 기계학습 알고리즘을 이용한 하이브리드 방법을 제안한다. 실험 결과 제안모델의 정확도는 88.4%로 평가되었다.
원문구축 및 2018년 이후 자료는 524호에서 직접 열람하십시요.
도서위치안내: / 서가번호:
우편복사 목록담기를 완료하였습니다.
* 표시는 필수사항 입니다.
* 주의: 국회도서관 이용자 모두에게 공유서재로 서비스 됩니다.
저장 되었습니다.
로그인을 하시려면 아이디와 비밀번호를 입력해주세요. 모바일 간편 열람증으로 입실한 경우 회원가입을 해야합니다.
공용 PC이므로 한번 더 로그인 해 주시기 바랍니다.
아이디 또는 비밀번호를 확인해주세요