利用长短期记忆网络预测视频游戏结果

利用实时分析预测电子竞技中的获胜者有潜力进一步吸引观看大型赛事的观众。然而，由于游戏中涉及多样化玩家策略和决策的不可预测变量，进行此类实时预测具有挑战性。我们的工作试图通过引入一种实时预测胜负的方法来增强视频游戏锦标赛中的观众参与度。我们基于长短期记忆网络（LSTMs）的方法仅使用每个玩家的健康指标作为时间序列，即可高效预测胜负结果。作为概念验证，我们在经典的两人街机游戏《Super Street Fighter II Turbo》中评估了我们模型的性能。我们还将我们的方法与时间序列预测的最先进方法（即大型语言模型（LLMs）中发现的 Transformer 模型）进行了基准测试。最后，我们开源了我们的数据集和代码，希望能进一步推动街机游戏预测分析方面的工作。