基于实时战略游戏重放记录数据编码和机器学习的游戏获胜者预测

对实时战略(RTS)游戏仿真平台μRTS自带的RTS游戏AI机器人之间进行游戏比赛产生的重放记录数据进行采样,用独热编码对采样点数据中的游戏玩家在游戏中的状态和动作信息进行编码,利用卷积神经网络、支持向量机和K-近邻等机器学习算法对RTS游戏AI机器人在游戏比赛中的获胜者进行预测.实验结果表明,结合给出的编码方法和机器...     

王者荣耀游戏实时胜率预测

王者荣耀游戏是当前最受欢迎的手机游戏之一。为了增强玩家和观众的游戏体验,越来越多的游戏公司研发人工智能（AI）解说员用来同步解说游戏实况,而游戏的实时胜率预测和关键数据特征是同步解说的重要内容。现有的关于王者荣耀胜率预测的研究主要集中在历史游戏数据驱动的技术上,因此,预测率和可解释性都不理想。利用王者荣耀游戏的真实对战数据,结合角色之间的交互作用,提出了一种新的角色-实时联合网络(RRSN)。最后,通过大量真实数据实验对王者荣耀实时胜率进行预测,准确率能达到87%,模型在预测精度和可解释性方面比其他的模型效果更佳。利用本文提出的预测模型和算法,AI解说员可以在解说词中给出较为准确的胜率预测与分析,大大增强游戏观看者的体验。     

基于PAGA的RTS游戏多单元控制方法研究

实时战略游戏(RTS)中的单元控制在人工智能(AI)领域是一个具有挑战性的问题。这类游戏是实时约束的,并且具有庞大的状态和行动空间,智能算法已不能很好地解决这类问题。在脚本空间搜索策略对战斗场景中的多单元进行控制,可以有效地克服巨大的分支因子带来的不利影响。文中运用自适应遗传算法(Adaptive Genetic Algorithm)在脚本空间进行搜索,为战斗场景中的多单元提供良好的行动序列,实现了对单元的有效控制。实验结果表明,提出的PAGA(Portfolio Adaptive Genetic Algorithm)是可行且有效的,在大规模单元控制中的性能优于现行算法。     

基于Flash图形引擎的RTS游戏

RTS这类游戏世界结构复杂、表现难度大、性能要求高。为了降低开发难度、提高开发效率，该文采用Flash作为图形引擎，在此基础上通过OOP编程技术和OOD动画设计的结合，进行软件的设计和研究开发。基于Flash的游戏实现策略，构建了一个RTS游戏原型。研究表明，Flash作为图形引擎应用于大型游戏开发是可行的。     

基于机器学习的软件缺陷预测研究

基于机器学习的软件缺陷预测是一种有效的提高软件可靠性的方法。该方法基于软件模块的统计特性预测软件模块可能出现的缺陷数或是否容易出现缺陷。通过对软件模块缺陷状况的预测,软件开发组织可以将有限的资源集中于容易出现缺陷的模块,从而有效地提高软件产品的质量。基于机器学习的软件缺陷预测近年来出现了很多研究成果,文章概述该领域近年来的主要研究成果,并根据各方法的特点进行了分类。     

基于实时击键特征检测的游戏禁止算法研究

阻止用户在计算机上玩游戏,通常采用判断用户运行的程序的名称来实现,但穷尽所有的游戏名相当困难,且不能检测到新开发的游戏,因此提出了一种通过对用户击键特征检测来判断用户是否在玩游戏的方法。该方法首先截获用户的所有击键消息,记录击键数据,再从这些数据中计算出击键特征描述值,从而和存储的击键特征值对比得出用户是否在玩游戏。实验证明该方法能有效地阻止大多数的键盘控制类游戏,解决了对未知名游戏的监控困难的问题。     

基于机器学习算法进行电影票房预测

一部好的电影总会由各种因素所决定,电影票房的高低在一定程度上反映出了观众的认可,也将带来更多的社会影响和效应.本次研究利用线性回归,xgboost等机器学习算法建立电影票房预测模型,同时利用机器学习的基本理论,证明本模型的泛化性良好.     

基于AI Studio平台的机器学习课程实践教学

针对高校开设机器学习课程面临的实验环境难以搭建、教学案例设计困难、行业大数据集难以获取等痛点问题,提出基于百度AI Studio平台开展机器学习课程实践教学,从搭建机器学习课程环境、设置实践教学平台、加载实践案例到开设课程实践比赛各环节,探讨如何开展以实践驱动的机器学习通识课教学,从而培养学生使用人工智能技术解决本学科专业领域复杂问题的能力.     

基于机器学习的短期PM2.5预测

由于环境和快速发展之间的不平衡,城市空气质量问题变得越来越突出。PM2.5作为空气污染的主要成分,会对人体造成很大伤害。因此,准确地预测PM2.5浓度对于保护人们健康具有重要意义。首先选取了其他空气质量数据(PM₁₀、NO₂、CO₂、O₃)作为影响因素,构建了基于机器学习(多元线性回归、岭回归、套索回归、决策树、随机森林和人工神经网络)的PM2.5预测模型;其次利用这些模型预测山西省太原市未来1小时PM2.5浓度;最后通过MAE、RMSE、R²来等指标评价各模型的预测性能,实验结果表明,基于随机森林的预测模型具有最高的预测精度。     

RTS game strategy evaluation using extreme learning machine

The fundamental game of real-time strategy (RTS) is collecting resources to build an army with military units to kill and destroy enemy units. In this research, an extreme learning machine (ELM) model is proposed for RTS game strategy evaluation. Due to the complicated game rules and numerous playable items, the commonly used tree-based decision models become complex, sometimes even unmanageable. Since complex interactions exist among unit types, the weighted average model usually cannot be well used to compute the combined power of unit groups, which results in misleading unit generation strategy. Fuzzy measures and integrals are often used to handle interactions among attributes, but they cannot handle the predefined unit production sequence which is strictly required in RTS games. In this paper, an ELM model is trained based on real data to obtain the combined power of units in different types. Both the unit interactions and the production sequence can be implicitly and simultaneously handled by this model. Warcraft III battle data from real players are collected and used in our experiments. Experimental results show that ELM is fast and effective in evaluating the unit generation strategies.     

RTS游戏中用户行为的神经网络预测模型

即时战略游戏(简称RTS游戏)中,用户的行为由于游戏自身庞大的决策空间而难以预测.针对这个问题,提出了通过对RTS游戏的对战记录进行分析,建立5种结构的神经网络模型来预测用户行为的方法.模型考虑了不同时间片的状态对于决策行为的影响,设计了单时间片输入和双时间片输入的神经网络,并与基于动态贝叶斯网络的模型进行了比较.实验结果表明,基于单时间片输入的神经网络模型能够更加快速地完成训练过程并达到满意的预测准确度.     

Web service reliability prediction based on machine learning

Web service reliability is an important mission that keeps web services running normally. Within web service, the web services invoked by users not only depend on the service itself, but also on web load condition (such as latency). Due to the features of web dynamics, traditional reliability methods have become inappropriate; at the same time, the web condition parameter sparsity problem will cause inaccurate reliability prediction. To address these new challenges, in this paper, we propose a new web service reliability prediction method based on machine learning considering user, web service and web condition. First we solve the web condition parameter sparsity problem, then we use the k-means clustering method to aggregate past invocation data, incorporate user, service, and web condition parameters to build a reliability feedback matrix, at last we predict web service reliability by considering specific web condition environments. The experiment shows that our machine learning method is able to solve the data sparsity problem and improve accurate web service reliability prediction, and we discuss how data sparsity and the number of feedback clusters to affect web service reliability prediction.     

基于用户实时反馈的点击率预估算法

当前主流的在线广告点击率（CTR）预估算法主要通过机器学习方法从大规模日志数据中挖掘用户与广告间的相关性从而提升点击率预估精度,其不足之处在于没有充分考虑用户实时行为对CTR的影响。对大规模真实在线广告日志进行分析后发现,在会话中,用户CTR的动态变化和用户先前的反馈行为高度相关,不同的用户行为对用户实时CTR的影响不尽相同。基于上述分析结果,提出一种基于用户实时反馈的点击率预估算法。首先,从大规模真实在线广告日志数据中定量分析用户反馈和点击率预估精度的相关关系;然后,根据分析结果将用户的反馈行为特征化;最后,使用机器学习方法对用户的行为进行建模,并根据用户的反馈实时动态调整广告投放,从而提升在线广告系统的点击率预估精度。实验结果表明,用户实时反馈特征和用户点击率高度相关;相比于传统没有用户实时反馈信息的预测模型,该算法在测试集上对AUC（Area Under the Curve）和RIG（Relative Information Gain）指标提升分别为0.83%和6.68%。实验结果表明,用户实时反馈特征显著提高点击率预估的精度。     

Futures price prediction of agricultural products based on machine learning

Neural Computing and Applications - Agricultural product futures are crucial to economic development, and the prediction of agricultural product futures prices has an important impact on the...     

Market prediction using machine learning based on social media specific features

Artificial Life and Robotics - In recent years, unspecified messages posted on social media have significantly affected the price fluctuations of online-traded products, such as stocks and virtual...     

多元混沌时间序列的加权极端学习机预测

针对多元混沌时间序列具有强非线性, 难以建立数学模型进行准确预测的问题, 本文提出一种加权极端学习机预测算法. 首先对多元混沌时间序列进行相空间重构, 并根据相空间中输入数据对预测误差的影响施加不同的权重. 然后, 提出一种支持向量极端学习机预测模型, 具有支持向量机的核映射表达能力以及极端学习机的一步快速训练能力, 因此训练简便且具有较好的泛化性能. 所提算法具有和训练样本三次方成正比的计算复杂度, 因此适用于10^2～10^3样本规模的平稳时间序列. 基于Lorenz混沌时间序列和年太阳黑子和黄河年径流混沌时间序列预测的仿真结果证明所提算法的有效性.     

Variable activation function extreme learning machine based on residual prediction compensation

For solving the problem that extreme learning machine (ELM) algorithm uses fixed activation function and cannot be residual compensation, a new learning algorithm called variable activation function extreme learning machine based on residual prediction compensation is proposed. In the learning process, the proposed method adjusts the steep degree, position and mapping scope simultaneously. To enhance the nonlinear mapping capability of ELM, particle swarm optimization algorithm is used to optimize variable parameters according to root-mean square error for the prediction accuracy of the mode. For further improving the predictive accuracy, the auto-regressive moving average model is used to model the residual errors between actual value and predicting value of variable activation function extreme learning machine (V-ELM). The prediction of residual errors is used to rectify the prediction value of V-ELM. Simulation results verified the effectiveness and feasibility of this method by using Pole, Auto-Mpg, Housing, Diabetes, Triazines and Stock benchmark datasets. Also, it was implemented to develop a soft sensor model for the gasoline dry point in delayed coking and some satisfied results were obtained.