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