딥러닝과 마르코프 연쇄를 활용한 야구 경기 결과 예측 모델 연구

• 영문명: A Study on the Predictive Model of Baseball Game Results Using Deep Learning and Markov Chain
• 발행기관: 한국시뮬레이션학회
• 저자명: 김현우(Hyeon-Woo Kim) 김자희(Ja-Hee Kim)
• 간행물 정보: 『한국시뮬레이션학회 논문지』제34권 제1호, 95~104쪽, 전체 10쪽
• 주제분류: 공학 > 기타공학
• 파일형태: PDF
• 발행일자: 2025.03.31

국문 초록

최근 스포츠 분야에서는 경기 데이터가 풍부하게 생산되면서 AI를 활용한 다양한 예측 모델이 제안되었다. 그러나 일부 데이터의 비율이 지나치게 낮아 예측이 부정확해지는 데이터 불균형 문제가 발생하고 있다. 본 연구는 데이터 증강과 손실 함수 조정을 통해 데이터 불균형을 완화하고 경기 예측 성능을 향상시키는 방법을 제안한다. 이를 위해 2014~2023년 MLB 정규시즌 데이터를 사용하여 변분 오토인코더(Variational AutoEncoder, VAE)와 범주형 초점 교차 엔트로피 손실(Categorical Focal Cross Entropy Loss, CFCEL)을 적용한 딥러닝 모델을 구축하고, 타석 결과를 예측하였다. 실험 결과, CFCEL을 사용한 모델은 ECE(Expected Calibration Error)가 0.0851을 기록하며, ECE가 0.0933인 VAE 기반 모델보다 보정 측면에서 우수한 성능을 보였다. 또한 2024시즌 MLB 경기 데이터를 입력하여 이산시간 마르코프 체인 모델을 활용해 경기 결과를 예측한 결과, CFCEL 기반 모델이 64.48%의 예측 정확도를 기록하며, 59.58%의 정확도를 보인 VAE 기반 모델보다 성능이 뛰어났다. 본 연구는 데이터 불균형이 존재하는 야구 경기 예측에서 CFCEL의 효과성을 입증하였으며, 딥러닝과 마르코프 체인을 결합한 예측 방식이 효과적임을 보였다.

영문 초록

In recent years, various prediction models using AI have been proposed in the field of sports due to the abundant production of game data. However, there is a problem of data imbalance in which the proportion of some data is too low, resulting in inaccurate predictions. This study proposes a method to mitigate data imbalance and improve game prediction performance through data augmentation and loss function adjustment. To this end, we build deep learning models using Variational AutoEncoder (VAE) and Categorical Focal Cross Entropy Loss (CFCEL) to predict batting outcomes using MLB regular season data from 2014 to 2023. The experimental results show that the model using CFCEL has an Expected Calibration Error (ECE) of 0.0851, which outperforms the VAE-based model with an ECE of 0.0933 on the calibration side. In addition, the results of predicting game outcomes using a discrete-time Markov chain model using MLB game data for the 2024 season show that the CFCEL-based model has a prediction accuracy of 64.48%, outperforming the VAE-based model with an accuracy of 59.58%. This study demonstrated the effectiveness of CFCEL in predicting baseball games with data imbalance and showed that a prediction method that combines deep learning and Markov chains is effective.

목차

1. 서론

2. 관련 연구

3. 연구 방법

4. 연구 결과

5. 결론

References

키워드

야구 딥러닝 마르코프 연쇄 데이터 불균형 승부예측 Baseball Deep Learning Markov Chain Data Unbalance Match Prediction