Bruk av maskinlæring til å predikere fremtidige interessepunkter i et dataspill
Abstract
E-sport er et fenomen hvor utøvere konkurerrerer mot hverandre i dataspill. E-sport har vokst voldsomt de siste årene, og følges av millioner verden over. I spill som Dota 2, League of Legends og Counter-Strike: Global Offensive kan utøvere leve av å spille profesjonelt, og i enkelte land sendes kamper direkte på TV.
Med økt interesse stilles også høyere krav til gode tilskuersystemer. Tilskuere ønsker å se de mest interessante hendelsene i en kamp mens de pågår. I høyhastighetsmiljøer som e-sport kan det bli utfordrende å operere slike systemer manuelt.
I denne rapporten ønsker vi å utforske muligheten for å automatisk predikere fremtidige interessepunkter i et dataspill. Vi ønsker å bruke maskinlæring til å finne ut hvor på en spillbane det vil være mest interessant å observere om et gitt antall sekunder. Dette er ønskelig slik at tilskuersystemer i dataspill kan automatiseres.
Forskning på maskinlæring har vist gode resultater med tidsserieprediksjoner, spesielt ved bruk av Recurrent Neural Networks, mer spesifikt Long Short Term Memory modeller. Det er også mye utvikling med bruk av maskinlæring innen spill, fra klassiske som sjakk til avanserte dataspill som Dota 2.
Flere ulike maskinlæringsteknikker er testet ut i dette prosjektet. Convolutional Neural Networks viste ingen evne til å håndtere problemet. RNN-teknikkene viser lovende resultater. LSTM er teknikken som viser mest lovende resultater, og ser ut til å kunne predikere 20 tidssteg fram i tid med en viss nøyaktighet, med muligheter for opp til 40 tidssteg. E-sport is a phenomenon where competitors compete against each other in video games. E-sport has experienced enormous growth the last few years, and is being watched by millions worldwide. In games like Dota 2, Leauge of Legends and Counter-Strike: Global Offensive players can make a living playing professionally. Some countries also broadcasts these competitions on live television.
With the growth of e-sports the demand for good spectating systems increases. Spectators wish to be shown the most interesting events as they unfold. In such high speed environments it becomes increasingly difficult for humans to operate the spectating systems.
In this paper we wish to explore the possibility of automatically predicting posisitions in the game where interesting events will happen in the future. To accomplish this we will be using machine learning to predict where these events will occur a given time in the future. These positions can then be incorporated with a spectating system for a fully automatic experience.
Research using machine learning for timeseries predictions has shown promising results, especially Recurrent Neural Networks, and more specifically Long Short-Term Memory-models. There is a lot of research on the usage of machine learning in games, from classic ones like chess, to modern video games like Dota 2.
In this paper we have compared different machine learning techniques. Convolutional Neural Networks did not show any promise of accomplishing good predictions. Recurrent Neural Networks however showed promising results, with LSTM performing the best. The best model seems to be able to predict relatively accurately 20 timesteps in the future, with possibilities of predicting 40 timesteps in the future.