스포츠 파워랭킹과 머신러닝 기반 선수 역량 평가 및 경기 결과 예측 정확도 고도화 = Sports Power Ranking and Machine Learning based Player Performance Assessment to Optimize Result Prediction Accuracy

국문 초록 (Abstract)

연구목적 본 연구는 스포츠 경기 외부 환경 변동의 영향을 최소화한 상황에서 선수 개개인의 순수 경기력이나 역량을 정량화하여 객관적으로 등급화 평가할 수 있는 ‘선수 파워랭킹(Power Ranking)’을 체계적으로 개념화하고, 이를 머신러닝 예측모형에 통합함으로써 기존 경기 결과 예측 성능을 뛰어넘는 고도화된 프레임워크를 실증적으로 제시하는 데 그 목적이 있다. 연구방법 본 연구에서는 파이선 3.11.5을 기반으로 2021~2023년 경정 경기데이터(N=13,026)를 수집하고 전처리하였고, 6개의 머신러닝 알고리즘(Light-GBM, 그래디언트 부스트, 다층신경망, 로지스틱 회귀, 랜덤 포레스트, 캣 부스트) 기반의 기본 예측모형을 구축하였다. 이를 바탕으로 경정 선수를 둘러싼 스포츠 경기 외부 환경이 경기 결과에 미치는 영향력을 추산하여 이를 통제한 후, 개별 선수의 파워랭킹을 산출하여 경기 결과 예측모형에 투입하여 성능 개선 효과를 분석하고, 국민체육진흥공단 홈페이지에서 제공하고 있는 AI 예측자료(https://www.kboat.or.kr/rankingpredict)와 예측 정확도를 비교 분석을 시행하였다. 결과 본 연구에서 추산하여 체계화한 선수 파워랭킹 변수를 머신러닝 기반 경정 경기 결과 예측모형에 투입한 결과, 모든 승식에서 예측 정확도가 유의미하게 향상되었다. 이는 현재 국민체육진흥공단 AI 예측자료가 제공하는 경정 예측정보를 상회하는 높은 수준의 예측 성능으로 의미가 있다. 결론 본 연구에서 제시한 선수 파워랭킹은 순수 경기력과 역량을 효과적으로 반영하는 유효한 지표임을 실증적으로 검증하였으며, 스포츠팬 몰입 콘텐츠, 스포츠 베팅 전략 최적화, 스포츠마케팅 등 다양한 방식으로 산업적 활용이 가능하다는 점에서 학술적·실무적 시사점이 존재한다.

다국어 초록 (Multilingual Abstract)

Purpose This study aims to systematically define a “power ranking” that quantitatively reflects each boat racing athlete’s intrinsic performance and capability under a neutralized environment. By integrating this ranking into machine learning–based prediction models, we seek to empirically demonstrate a framework that outperforms conventional race outcome forecasts. Methods Using Python 3.11.5, we collected and preprocessed 13,026 boat racing records from 2021–2023. We built six baseline prediction models (LightGBM, Gradient Boosting, Multilayer Perceptron, Logistic Regression, Random Forest, and CatBoost). We then estimated the impact of external environmental factors on race results, controlled for these influences, and calculated individual athlete power rankings. These rankings were incorporated into the prediction models to evaluate performance improvements. Finally, we compared our enhanced models’ accuracy with the official AI predictions provided by the Korea Sports Promotion Foundation (https://www.kboat.or.kr/rankingpredict). Results Incorporating the power ranking variable into all win-type prediction models resulted in a statistically significant increase in prediction accuracy. The enhanced models consistently outperformed the Foundation’s existing AI forecast. Conclusion The empirically validated power ranking effectively captures athletes’ pure performance and potential. It holds substantial academic and practical implications, including fan engagement content, optimized betting strategies, and sports marketing applications.