딥러닝 기반의 테니스 경기유형에 따른 경기내용 분석 : 테니스 경기유형에 따른 경기내용 분석 = Deep Learning based Analysis on Game Contents according to Tennis Game Type|RISS 상세보기

국문 초록 (Abstract)

딥러닝 기반의 테니스 경기유형에 따른 경기내용 분석 장 나 라 한국체육대학교 대학원 체육학과 이 연구는 딥러닝 기반의 테니스 경기유형에 따른 경기내용 분석을 확인하는 것이 목적이다. 구체적으로 이 연구에서는 ‘테니스 경기의 기록 주요변인 탐색 및 선정’, ‘테니스 선수의 경기유형 분류’ 그리고 ‘테니스 선수들의 경기유형별 경기내용분석’을 확인하였다. 이 연구에서 설정한 연구내용에 따른 결론은 다음 과 같다. 첫째, 이 연구에서 테니스 경기의 기록 주요변인을 탐색 및 선정한 결과 상위 요인은 서브, 서브 코트위치, 기술, 랠리 코트위치, 포인트 유형, 에러 위치, 랠 리로 총 7개 요인으로 선정되었다. 7개 요인에 따른 하위요인은 첫서브, 세컨서 브, 서브코트 위치 1, 서브코트 위치 2, 서브코트 위치 3, 포핸드, 백핸드, 포슬 라이스, 백슬라이스, 포발리, 백발리, 스매싱, 드롭샷, 랠리코트 위치 1, 랠리코트 위치 2, 랠리코트 위치 3, 랠리코트 위치 4, 랠리코트 위치 5, 랠리코트 위치 6, 위닝샷, 언포스트 에러, 에러, 넷트에러, 코트 좌, 우 에러, 더블폴트 그리고 랠 리수로 선정되었다. 둘째, 이 연구에서 테니스 선수의 경기유형을 분류하기 위해 두 가지 모델을 적용하여 성능을 평가 하였다. 그 결과 모델 2인 원자료에서 트랜스포머 임베딩 을 거친 후 주성분분석으로 차원을 축소하고 k-means 알고리즘을 적용한 모델 이 보다 성능이 높은 것으로 나타났다. 모델 2를 통해 군집 수를 산출한 결과 2 개의 군집수가 가장 적절한 것으로 나타났으며, 세부분류에서 군집 1에서 2개, 군집 2에서 2개로 총 4개로 산출되었다. 셋째, 이 연구에서 테니스 선수들의 경기유형별 경기내용을 분석하였다. 먼저, 테니스 선수의 경기유형별 승률 분석에서는 군집 1-1이 가장 높은 승률을 지닌 것으로 나타났으며, 상대 경기유형에 따른 세부 승률 분석에서는 1-1과 2-2와 경 기를 수행할 때 1-1이 90.9%로 높은 가장 높은 승률을 보이는 것으로 나타났다. 넷째, 경기유형에 따른 랭킹을 분석한 결과 경기유형에 따른 랭킹 차이는 없 는 것으로 나타났다. 반면, 랭킹 상위권별 군집 비중에서는 군집 2-1에서 가장 많은 비중을 차지하는 것으로 나타났으며, 랭킹 상위 10위권 이내에도 2-1 경기 유형이 4명으로 가장 많은 선수가 포함되어 있는 것으로 나타났다. 다섯째, 경기유형별 득점 및 에러 패턴 분석에서는 코트위치 6 → 5 → 4 이 어지는 패턴이 득점 패턴 1순위로 나타났으며, 6 → 6 → 4의 패턴이 2순위로 나타났다. 에러 패턴에서는 코트 위치가 6 → 6 → 2-1 이어지는 패턴이 에러 패턴 1순위로 나타났으며, 6 → 6 → 2-3의 패턴이 2순위로 나타났다. 결론적으로 이 연구에서는 테니스 경기유형을 딥러닝 방법을 적용하여 유형 을 구분하였으며, 이를 통해 경기내용을 분석하였다. 이러한 연구는 테니스를 관람하는 혹은 테니스를 수행하는 선수들에게 다양한 정보를 생성할 뿐만 아니 라 경기전략 전술을 계획하는데 기초자료로 활용될 수 있을 것이라 판단된다. 주요어 : 테니스, 딥러닝, 경기유형, 경기내용분석

번역하기

딥러닝 기반의 테니스 경기유형에 따른 경기내용 분석 장 나 라 한국체육대학교 대학원 체육학과 이 연구는 딥러닝 기반의 테니스 경기유형에 따른 경기내용 분석을 확인하는 것이 목적이...

목차 (Table of Contents)