Застосування штучного інтелекту для прогнозування детермінант світових кібертурнірів

Abstract

Стрімкий розвиток інформаційних технологій та їх впровадження у повсякденне життя людей призвело до популяризації кіберспортивних турнірів, як один із видів спорту. Привернута увага не тільки гравців, а і спонсорів, інвесторів та дослідників, змушує більш серйозно ставитися до цього молодого виду спорту. Таким чином постає питання більш детального аналізу та прогнозу показників ефективності для майбутнього розвитку даної сфери. Основною метою проведеного дослідження є побудова прогнозної нейромережевої моделі для прогнозування детермінант світових кібертурнірів. Методичним інструментарієм проведеного дослідження стали моделі штучної нейронної мережі (багатошаровий персептрону MLP-архітектури з використанням алгоритму BFGS, радіальна базисна функція RBF-архітектури з використанням алгоритму RBFT. Об’єктом дослідження обрано 9 детермінант світових кібертурнірів. Побудова прогнозної моделі в статті здійснено в наступній логічній послідовності: визначено регресійна залежність кожної з детермінант від часового фактору та визначено прогнозне значення, навчання нейронних мереж за сформованою вибіркою показників, прогнозування значень детермінант світових кібертурнірів на період 2021-2025 рр. на основі побудованих нейронних мереж. Проведені розрахунки засвідчили, що до 2025 року більшість із зазначених детермінант збільшиться в порівнянні з поточним періодом. Результати проведеного дослідження можуть бути корисними для майбутніх інвесторів, кіберспортивним федераціям, а також науковцям, які займаються дослідженням даної сфери.

Стремительное развитие информационных технологий и их внедрение в повседневную жизнь людей привело к популяризации киберспортивных турниров как одного из видов спорта. Привлеченное внимание не только игроков, но и спонсоров, инвесторов и исследователей заставляет более серьезно относиться к этому молодому виду спорта. Таким образом, возникает вопрос более детального анализа и прогноза показателей эффективности для будущего развития данной сферы. Основной целью проведенного исследования является построение прогнозной нейросетевой модели для прогнозирования детерминантов мировых кибертурниров. Методическим инструментарием проведенного исследования стали модели искусственной нейронной сети (многослойный персептрон MLP-архитектуры с использованием алгоритма BFGS, радиальная базисная функция RBF-архитектуры с использованием алгоритма RBFT. Объектом исследования выбрано 9 детерминант мировых кибертурниров. Построение прогнозной модели в статье последовательности: определена регрессионная зависимость каждой из детерминант от временного фактора и определено прогнозное значение, обучение нейронных сетей по сформированной выборке показателей, прогнозирование значений детерминант мировых кибертурниров на период 2021-2025 гг. на основе построенных нейронных сетей. большинство из указанных детерминант увеличится по сравнению с текущим периодом.Результаты проведенного исследования могут быть полезны для будущих инвесторов, киберспортивным федерациям, а также ученым, занимающимся исследованием данной сферы.

The rapid development of information technology and its introduction into people’s daily lives has led to the popularization of e-sports tournaments as a sport. The attention of not only players, but also sponsors, investors and researchers, makes us take this young sport more seriously. Thus, the question arises of a more detailed analysis and forecast of performance indicators for the future development of this area. The main purpose of the study is to build a predictive neural network model for predicting the determinants of world cyber tournaments. The methodological tools of the study were artificial neural network model (multilayer perceptron MLP-architecture using BFGS algorithm, radial basis function of RBF-architecture using). 9 determinants of world cyber tournaments were chosen as the object of research. Construction of the forecast model in the article is carried out in the following logical sequence: the regression dependence of each of the determinants on the time factor is determined and the forecast value is determined, training of neural networks according to the formed sample of indicators. The calculations showed that by 2025 most of these determinants will increase compared to the current period. The results of the study may be useful for future investors, e-sports federations, as well as scientists engaged in research in this area.