Feb, 2024

使用长短期记忆网络预测电子游戏结果

PDF
TL;DR我们的研究旨在通过引入实时方法预测获胜来增强电子竞技比赛的观众参与度。我们的基于长短期记忆网络（LSTM）的方法通过仅使用每个玩家的健康指标作为时间序列，实现了高效的胜负结果预测。我们以经典的两人对战街头霸王 II Turbo 为例，评估了我们模型在此游戏中的表现，并与流行的时间序列预测方法进行了对比。最后，我们公开了数据集和代码，以期促进对街机游戏的预测性分析进一步的研究。
e-sportsreal-time analyticslong short term memory networkwin-lose predictionsarcade games
发现论文，激发创造
  • 长短时记忆网络在美国职业棒球大联盟中的表现预测

    本研究采用深度学习模型中的长短时记忆（LSTM）模型，以全垒打数为目标，与多个机器学习模型及广泛应用的棒球投影系统 SZymborski 投影系统进行比较，结果表明 LSTM 模型的表现优于其他模型，可以用于棒球表现预测问题，并能提供有价值的信息。

    Jun, 2022

  • 基于长短时记忆循环神经网络的网络流量矩阵预测框架

    本文提出了一种基于 LSTM RNN 框架的网络流量长短期预测方法，并在 GEANT 网络实验数据中验证表明，该方法可以很快地收敛且在相对较小的模型中取得了最先进的短期和长期流量矩阵预测性能。

    May, 2017

  • 长短期记忆视频摘要

    本文提出了一种针对视频进行自动化重点帧或子镜头选择的新型监督学习技术，其将问题视为顺序数据上的结构化预测问题，主要想法是利用 LSTM（长短时记忆），该专用网络类型可模拟视频摘要任务中包含的可变范围依赖性，详细分析证明了模型设计的合理性，通过引入领域适应技术，我们还介绍了应对训练复杂学习模型所需大量注释数据需求的技术。

    May, 2016

  • 王者荣耀：可解释的实时胜利预测，一种受欢迎的移动 MOBA 电子竞技

    该研究提出了一种基于 MOBA 电子竞技的实时战绩数据集和 Two-Stage Spatial-Temporal Network (TSSTN) 网络，旨在实现精确的比赛结果预测和预测结果的可解释性。实验结果表明，该网络在预测准确性和可解释性方面都很有效。

    Aug, 2020

  • 利用深度神经网络建模长短期时间模式

    本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet)， 用于解决多元时间序列预测等问题，并在复杂混合循环模式数据上实现了显著的性能提升。

    Mar, 2017

  • 增强金融数据可视化以便于投资决策

    利用 LSTM 网络预测股票动态，主要关注细微的涨跌模式，结合纽约证交所的数据集，改进 LSTM 模型以捕捉复杂的市场模式，进而提高股票价格预测的准确性。

    Dec, 2023

  • 利用长短期记忆网络对高维混沌系统进行数据驱动的预测

    使用基于数据驱动的长短时记忆（LSTM）循环神经网络的预测方法，展示了该方法在高维混沌系统中的定量预测效果，并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比，LSTM 在所有应用中都表现出更好的短期预测准确性，并且 MSM-LSTM 可以保证收敛到不变措施。

    Feb, 2018

  • 长短时记忆网络自动规则提取

    本文提出了一种新方法，通过追踪给定输出对 LSTM 的给定输入的重要性来识别一致重要的单词模式，从而将其简化为一组代表性短语，并基于这些短语构造了一个简单的基于规则的分类器，从而近似于 LSTM 在情感分析和问题回答上的输出。

    Feb, 2017

  • 基于长短期记忆网络的时间序列预测深度学习

    本文介绍 LSTM 模型的结构和前向传播机制，提出了 Random Connectivity LSTM（RCLSTM）模型，并通过在电信网络交通预测和用户移动性中的应用证明了 RCLSTM 模型可实现相同的预测准确性，同时具有计算复杂度更低的优点

    Oct, 2018

  • 具有更灵活记忆的循环神经网络：相较于粗糙波动性更好的预测

    我们将循环神经网络扩展到包含几个灵活的时间尺度，这在机械上提高了它们对具有长期记忆或高度不同时间尺度进程的处理能力。通过比较普通和扩展的长短期记忆网络（LSTMs）在预测已知具有长期记忆的资产价格波动性方面的能力，我们发现扩展的 LSTMs 所需的训练时期减少了一半，而具有相同超参数的模型的验证和测试损失的变化要小得多。我们还展示了在多时间序列数据集上进行训练和测试时，验证损失最小的模型相对于粗略波动性预测的表现普遍提高了大约 20％。

    Aug, 2023