УДК 004
ПРОГНОЗ РАЗВИТИЯ КИБЕРСПОРТА ПРИ ПОМОЩИ МАШИННОГО ОБУЧЕНИЯ
© 2023 В. Г. Никоненок1, А. А. Галицына2
1 кандидат педагогических наук, доцент кафедры математического анализа
и прикладной математики e-mail: vnikonenok@mail.ru 2студентка 2 курса бакалавриата факультета физики, математики, информатики
e-mail: galitsina_anna@mail.ru
Курский государственный университет
В данной статье мы рассмотрим жизнь развитие киберспорта на примере одной из самых популярных игр CS:GO, а также простроим прогноз до 2030 года по развитию киберспортивной дисциплины. Выявим основные тенденции и рассмотрим вариант оптимизации турниров.
Ключевые слова: киберспорт, прогноз, машинное обучение, здоровый образ жизни, CS:GO.
FORECAST OF ESPORTS DEVELOPMENT USING MACHINE LEARNING © 2023 V. G. Nikonenok1, A. A. Galitsyna2
1Candidate of Pedagogical Sciences Associate Professor of the Department of Mathematical Analysis and Applied Mathematics e-mail: vnikonenok@mail.ru 22nd year undergraduate student of the Faculty of Physics, Mathematics, Computer
Science
e-mail: galitsina anna@mail.ru
Kursk State University
In this article, we will look at the life and development of esports using the example of one of the most popular CS:GO games, and we will also make a forecast until 2030 for the development of esports discipline. Let's identify the main trends and consider the option of optimizing tournaments.
Keywords: esports, prediction, machine learning, healthy lifestyle, CS:GO.
Компьютерные игры являются неотъемлемой частью жизни молодого поколения. С развитием индустрии компьютерных игр по ним начали проводить соревнования, подобные спортивным, которые назвали «киберспорт».
Если раньше это явление считалось чем-то локальным, то на данный момент киберспорт - большой бизнес, который продолжает расти и расти. Многие спортивные клубы заключают контракты с успешными киберспортивными организациями, стараясь не отставать от времени. Помимо этого, существует множество любительских турниров среди школьников и студентов по всему миру.
Киберспорт официально признан видом спорта, он включен в соответствующий реестр. Приказ Министерства спорта Российской Федерации от 29.04.2016 № 470 «О признании и включении во Всероссийский реестр видов спорта спортивных дисциплин, видов спорта и внесении изменений во Всероссийский реестр видов спорта, а также в приказ Министерства спорта, туризма и молодежной политики Российской Федерации от 17.06.2010 № 606 «О признании и включении видов спорта, спортивных дисциплин во Всероссийский реестр видов спорта» был зарегистрирован в Минюсте России 03.06.2016 [7].
Интересно, что киберспорт включается во Всероссийский реестр видов спорта не впервые. Первый раз это произошло 25 июля 2001 г. по распоряжению главы Госкомспорта России, и компьютерный спорт находился в реестре вплоть до 2006 года, после чего был убран из списка по приказу руководителя Росспорта Вячеслава Фетисова.
Это произошло из-за того, что он не соответствовал критериям по развитию спорта - по закону более чем в половине российских регионов должны были появиться соответствующие объединения, однако этого сделано не было [6].
Приказ позволяет проводить официальные соревнования по киберспорту, отмечает Федерация компьютерного спорта России. Кроме того, она открывает возможность присвоения спортивных разрядов на основании спортивного рейтинга и разработки программ по подготовке судей и тренеров.
Однако возникает вопрос о дальнейшем развитии киберспорта. Проведем анализ развития киберспорта и построим прогноз до 2030 г. на основании данных по одной из самых популярных игр на протяжении многих лет - СБ:00 [5] при помощи машинного обучения.
Данные для обучения модели
Выигрыш Участники турнира Количество турниров Год
16,451437 2782 446 2022
21,490001 3470 541 2021
16,040153 3271 619 2020
22,302043 4013 955 2019
23,306246 4679 1023 2018
19,29599 4838 915 2017
17,268045 4409 863 2016
Тенденция развития численности участников турниров приведена на рисунке 1.
Рис. 1. Тенденция развития численности участников турниров
График выигрышей турниров приведен на рисунке 2.
Призовые в киберспорте
23 -
-(Л-
122
1 21
X
2
5 20 о
(Ч S
а 19 Н
S 18 Z
и 17
16
2016
Выигрыш
2017
2018
2019 2020
Год
Рис. 2. Выигрыши турниров
2021
2022
По приведенному графику очевидно, что принятие киберспорта в реестр положительно сказалось на повышении интереса к дисциплине. Однако в 2020 г. в турнирах по дисциплине участвовало наименьшее количество участников, а также наименьшие выигрыши. Возможно резкое снижение интереса к дисциплине было вызвано началом пандемии коронавирусной инфекции.
Также можно сделать вывод о падении интереса к CS:GO к 2022 г. CS:GO уже долгое время не развивается. Практически после каждого нового обновления в игре появляются новые проблемы, о которых тут же появляются темы в твиттере и на reddit. Разработчики получают постоянный фидбэк и долгое время не исправляют уязвимости игры [4]. Однако у Counter-Strike: Global Offensive до сих пор не было достойных аналогов. Большая заслуга FACEIT и ESEA заключается в создании действительно
рабочего античита, а также сторонних платформ для игры в обход стандартного матчмейкинга. Наличие адекватной ранговой системы на этих площадках позволило вырастить новое поколение профессиональных игроков. Однако все же остается вопрос как будет развиваться интерес к игре без значительных изменений со стороны разработчиков.
Для обучения будем использовать модель SARIMA.
Авторегрессионное интегрированное скользящее среднее, или ARIMA, является одним из наиболее широко используемых методов прогнозирования для однофакторного прогнозирования данных временных рядов.
Хотя метод может обрабатывать данные с трендом, он не поддерживает временные ряды с сезонным компонентом.
Расширение ARIMA, которое поддерживает прямое моделирование сезонного компонента ряда, называется SARIMA [3].
Полный листинг программы указан в приложении 1.
Прогнозы представлены на рисунках 3-4.
Прогноз о выигрышых в турнирах
2016 2018 2020 2022 2024 2026 2028 2030
Год
Рис. 3. Прогноз выигрышей турниров
Рис. 4. Прогноз развития численности участников турниров
По предсказаниям модели можно сделать вывод, что до 2027 г. киберспорт по дисциплине CS:GO не будет нести значительных изменений и развития.
Мы считаем, что повысить рост к выбранной киберспортивной дисциплине может новый подход к проведению турниров.
Также особую популярность среди жителей России занимает здоровый образ жизни. Число россиян, ведущих здоровый образ жизни (ЗОЖ), выросло втрое за десятилетие - с 5% в 2010 г. до 15,5% в 2021 г. Об этом свидетельствуют результаты социологического исследования РАНХиГС, имеющиеся в распоряжении ТАСС [2]. Однако после резкого роста показатели начали снижаться. За 2021 год количество россиян, строго придерживающихся принципов здорового образа жизни, снизилось на 20,8%, или на 2,24 млн человек, до 8,55 млн - подсчитала аналитическая служба международной аудиторско-консалтинговой сети БтЕхреШга на основании опросных данных Росстата [1].
Поэтому оптимальным решением, мы считаем проведение турниров по дисциплине CS:GO, совмещенных с трендами здорового образа жизни и классического спорта. Так как это снизит приобретение заболеваний, связанных с длительным проведением времени в сидячем положении и помещениях, у людей, увлекающихся киберспортом, позволит повысить численность людей, поддерживающих ЗОЖ. А также по-новому взглянуть на инновационный вид спорта, что позволит привлечь к ряд киберспортсменов аудиторию, которая захочет поучаствовать в новом формате турниров.
Библиографический список
1. ЗОЖ после коронакризиса: в 2021 году количество россиян без вредных привычек сократилось на 21% / [Электронный ресурс] // Finexpertiza [Сайт]. - URL: https://finexpertiza.ru/press-service/researches/2022/zog-2021/ (дата обращения: 02.05.2023).
2. Число россиян - приверженцев ЗОЖ увеличилось втрое [Электронный ресурс] // Tass [Сайт]. - URL: https://tass.ru/obschestvo/11738861 (дата обращения: 02.05.2023).
3. Нежное введение в SARIMA для прогнозирования временных рядов в Python / [Электронный ресурс] // MachineLearningMastery.ru [Сайт]. - URL: https://machinelearningmastery.ru/sarima-for-time-series-forecasting-in-python/ (дата обращения: 02.05.2023).
4. Как Valve убивает CS:GO и почему игра всё равно популярна // cybersport.ru [Сайт]. - URL: https://www.cybersport.ru/blog/cs-go/302817 (дата обращения: 02.05.2023).
5. Overall Esports Stats For 2022 // esportsearnings [Сайт]. - URL: https://www.esportsearnings.com/history/2022/games (дата обращения: 02.05.2023).
6. Киберспорт в России официально признали видом спорта. Подробнее на РБК: // rbc [Сайт]. - URL: https://www.rbc.ru/rbcfreenews/57580f149a7947bf3ee4c328 (дата обращения: 02.05.2023).
7. Киберспорт признан официальным видом спорта в России // habr [Сайт]. -URL: https://habr.com/ru/news/394837/ (дата обращения: 02.05.2023).
Приложение 1
import pandas
import matplotlib.pyplot as plt import warnings
warnings.simplefilter(action = 'ignore', category = Warning) from statsmodels.tsa.statespace.sarimax import SARIMAX
kibersport_years = pandas.read_excel('/content/Датасет.xlsx') print(kibersport_years)
kibersport_years['Bbfflrpbim']=kibersport_years['Bbfflrpbim'].astype(float) kibersport_years['Участники турнира']=kibersport_years['Участники турнира'].astype(int) kibersport_years['Количество турниров']=kibersport_years['Количество
турниров'].astype(int)
kibersport_years['Год']=kibersport_years['Год'].astype(int)
kibersport_years.plot(x=Tод", у="ВЫИГРЫШ",
title="Призовые в киберспорте") plt.xlabel("Год", fontsize=14, fontweight='bold') plt.ylabel("Сумма призовых, млн $", fontsize=14, fontweight='bold') plt.show()
kibersport_years.plot(x="Год", у="Участники турнира", color='green', title="Аудитория в киберспорте") plt.xlabel("Год", fontsize=14, fontweight='bold') plt.ylabel("Рост аудитории", fontsize=14, fontweight='bold') plt.show()
prize_money = pandas.read_excel('prize_money.xlsx', index_col = 'Год', parse_dates = True) train = prize_money[::-1] model = SARIMAX(train, order=(1, 1, 1), seasonal_order=(1, 1, 1, 12), initialization = 'approximate_diffuse') result = model.fit() start = len(prize_money) end = (len(prize_money) + 7) forecast = result.predict(start, end) print(train) print(forecast)
x = [i for i in range(2016, 2031)] print (x)
y = list(train['Bbfflrpbra']) y2 = list(forecast) plt.plot(x,y + y2)
plt.title('Прогноз о выигрышых в турнирах') plt.ylabel('Сумма призовых, млн $') p^x^elC^') plt.grid()
plt.show()
auditory = pandas.read_excel('auditory.xlsx',
index_col = 'Год', parse_dates = True) train = auditory[::-1] print (train)
model = SARIMAX(train, order=(1, 1, 1), seasonal_order=(1, 1, 1, 12), initialization = 'approximate_diffuse') result = model.fit() start = len(auditory) print (start) end = (start + 7)
forecast = result.predict(start, end) print (forecast)
x = [i for i in range(2016, 2031)] print (x)
y = list(train['Количество участников']) y2 = list(forecast) plt.plot(x, y + y2)
plt.title('Прогноз о количестве участников')
plt.ylabel('Количество участников')
p^x^elC^')
plt.grid()
plt.show()