머신러닝을 적용한 경륜 경기 순위 예측 및 평가에 관한 연구: 2016~2022년 출주표 정보 및 경주 결과 활용 (A Study on the Prediction and Evaluation of Keirin Competition Rankings Using Machine Learning Application)

서지정보

· 발행기관 : 한국스포츠산업경영학회
· 수록지 정보 : 한국스포츠산업경영학회지 / 28권 / 2호 / 76 ~ 94페이지
· 저자명 : 김필수, 이상현, 전성삼

초록

본 연구는 기계학습(machine learning)을 적용하여 경륜 경주의 경기 순위를 예측하고, 해당 예측에 활용된 각각의 AI 알고리즘 성능을 비교·분석하기 위하여 실시되었다. 이를 위해 국민체육진흥공단에서 제공한 경륜 선수 출추표와 경기결과 데이터(광명스피돔, 2016~2022년 경주 전수)를 기반으로 실증분석을 시행하였다. 본 연구에서는 파이썬(Python)을 활용하여 자료를 수집하고 가공하였으며, 실질적인 분석을 위해 네이브 베이즈(Naive Bayes), 로지스틱 회귀(Logistic Regression), 랜덤 포레스트(Random Forest), 배깅(Bagging), 서포트 벡터 머신(SVM: Support Vector Machine), 의사결정나무(Decision Tree), 에이다 부스트(AdaBoost), K-최근접이웃(KNN: K-Nearest Neighbor)의 여덟 가지 알고리즘을 적용하였다. 또한, 각 알고리즘의 성능 확인과 평가를 위해 정확도(accuracy), 정밀도(precision), 재현율(recall), F1-score, 평균제곱근오차(RMSE), 결정계수(R-squared)를 평가 기준으로 사용하였다. 본 연구는 단승식, 복승식, 삼복승식을 결과변수로 놓고 실증분석을 시행한 결과 로지스틱 회귀의 성능이 단승식(88.19%)과 복승식(80.07%)의 경우 정확도가 가장 높은 것으로 나타났으며, 삼복승식(78.17%)의 경우 에이다 부스트의 성능이 높게 평가되는 것으로 드러났다. 전체적으로 로지스틱 회귀, 에이다 부스트, 서포트 벡터 머신의 성능이 다른 다섯 가지 알고리즘의 성능과 비교 시 상대적으로 더 우수한 것으로 확인되었다. 본 연구는 경륜 경주의 경주 순위를 예측하기 위해 다양한 머신러닝 알고리즘을 적용하여 이들의 성능을 비교·분석함으로써 기존에는 실증되지 않은 경륜 데이터로 기계학습을 적용하였다는 데 의의가 있다. 본 연구의 실증결과를 통해 스포츠 애널리틱스 분야의 발전을 위해 연구의 방향을 제시하였다는 측면에서의 학문적인 의의는 물론, 실무적인 참고자료로 활용될 수 있을 것으로 판단된다.

영어초록

This study was conducted to predict the rankings of Keirin races through the application of machine learning, and specifically comparing the performance of each AI machine learning algorithm used for the prediction. From an empirical standpoint, the Keirin race result data (all races from 2016~2022, Gwangmyeong Speedome) provided by the Korea Sports Promotion Foundation (KSPO) were collected and preprocessed using Python. Naive Bayes, Logistic Regression, Random Forest, Bagging, Support Vector Machine(SVM), Decision Tree, AdaBoost, and K-Nearest Neighbor (KNN) were applied for this research as machine learning algorithms. Also, to confirm and evaluate the performance of each algorithm, accuracy, precision, recall, F1-score, root mean square error (RMSE), and coefficient of determination (R-squared) were used as evaluation criteria for the win (predicting Keirin racer to finish 1st in one race), quinella (predicting 1st and 2nd place in either order in once race), trio (predicting 1st, 2nd, and 3rd place in either order in once race) as outcome variables. As a result, the performance of logistic regression was found to be the highest in accuracy in the case of a win (88.19%) and quinella (80.07%). In the case of the trio, the performance of AdaBoost was found to be evaluated with an accuracy of 78.17%. Overall, the performance of logistic regression, AdaBoost, and SVM was found to be relatively better when compared to the performance of the other five algorithms. This study is significant in that it applied machine learning to Keirin racing data that has not been demonstrated in the past by applying various machine learning algorithms to predict the race rankings. This research can be used as practical reference material as well as academic significance in terms of suggesting the direction of research for the development of sports analytics.

참고자료

· 없음