Predição de vitória em jogos de luta a partir de sequências temporais de comandos: uma prova de conceito com Street Fighter 6
DOI:
https://doi.org/10.51473/rcmos.v1i1.2026.2330Palavras-chave:
jogos digitais. Esports. Redes neurais recorrentes. Predição de resultado. Aprendizagem de máquina.Resumo
A predição de resultados em esports tem sido amplamente explorada em jogos de estratégia, MOBAs e jogos de tiro, geralmente a partir de estatísticas da partida ou variáveis de estado. Jogos de luta, contudo, permanecem menos explorados, embora constituam um domínio particularmente adequado para análise de desempenho a partir do comportamento do jogador. Este artigo apresenta uma prova de conceito para predizer resultados em rounds de um popular jogo de luta, Street Fighter 6, utilizando-se sequências temporais de comandos (inputs) executados pelo jogador. O objetivo foi verificar se padrões de inputs contêm informação suficiente para estimar a probabilidade de vitória, sem recorrer a imagens, áudio, barra de vida ou outras variáveis contextuais do jogo. Foram analisados 128 rounds de partidas jogadas pelo autor, cada um representado como uma sequência ordenada de eventos discretos e classificado por uma rede neural recorrente do tipo GRU. O modelo classificou corretamente 75,0% dos rounds, com sensibilidade de 83,7% para vitórias e especificidade de 69,6% para derrotas. Rounds vencidos apresentaram probabilidade média de vitória superior à dos perdidos (72,0% contra 33,9%), com diferença estatisticamente significativa. Além disso, o tempo em que a probabilidade estimada permaneceu acima de 50% associou-se ao desfecho do round. Os resultados indicam que sequências de comandos em jogos de luta contêm sinal relevante para predição de resultados e sugerem aplicações futuras em análise automatizada e feedback de desempenho.
Downloads
Referências
ÁLVAREZ-CABALLERO, Antonio; MERELO, J. J.; GARCÍA SÁNCHEZ, Pablo; FERNÁNDEZ-ARES, Antonio. Early Prediction of the Winner in StarCraft Matches. In: Proceedings of the 9th International Joint Conference on Computational Intelligence - Volume 1: IJCCI. [S. l.]: SCITEPRESS, 2017. p. 401–406. DOI: 10.5220/0006587304010406.
AVONTUUR, Tetske; SPRONCK, Pieter; VAN ZAANEN, Menno. Player skill modeling in Starcraft II. In: Proceedings of the Ninth AAAI Conference on Artificial Intelligence and Interactive Digital Entertainment (AIIDE'13). [S. l.]: AAAI Press, 2013. p. 2–8.
BROMS, E.; NORDANSJO, W. Predicting Counter-Strike Matches Using Machine Learning Models. 2024. Tese (Doutorado) – Lund University School of Economics and Management, Lund, 2024. Disponível em: https://lup.lub.lu.se/luur/download?func=downloadFile&recordOId=9145457&fileOId=9145459.
BUCKLEY, David; CHEN, Ke; KNOWLES, Joshua. Predicting skill from gameplay input to a first-person shooter. In: 2013 IEEE Conference on Computational Intelligence in Games (CIG). Niagara Falls: IEEE, 2013. p. 1–8. DOI: 10.1109/CIG.2013.6633655.
CHULAJATA, K.; WU, S.; SCALZO, F.; CHA, E. S. Predicting Outcomes in Video Games with Long Short-Term Memory Networks. arXiv, 2024. Disponível em: https://arxiv.org/abs/2402.15923.
CHUNG, K.-S. A Confidence-Calibrated MOBA Game Winner Predictor. In: 2020 IEEE Conference on Games (CoG). [S. l.]: IEEE, 2020. DOI: 10.1109/COG47356.2020.9231878.
DO, Tiffany D.; WANG, Seong Ioi; YU, Dylan S.; MCMILLIAN, Matthew G.; MCMAHAN, Ryan P. Using Machine Learning to Predict Game Outcomes Based on Player-Champion Experience in League of Legends. In: The 16th International Conference on the Foundations of Digital Games (FDG 2021). New York: ACM, 2021. DOI: 10.1145/3472538.3472579.
FORMOSA, Jessica et al. Definitions of Esports: A Systematic Review and Thematic Analysis. Proceedings of the ACM on Human-Computer Interaction, New York, v. 6, CHI PLAY, art. 227, p. 1–45, 2022. DOI: 10.1145/3549490.
GARCÍA-MÉNDEZ, Silvia; ARRIBA-PÉREZ, Francisco de. Explainable e-sports win prediction through Machine Learning classification in streaming. Entertainment Computing, v. 55, art. 101027, 2025. DOI: 10.1016/j.entcom.2025.101027.
GUGLIELMO, Gianluca; KLINCEWICZ, Michal; HUIS IN 'T VELD, Elisabeth; SPRONCK, Pieter. Predicting Tetris Performance Using Early Keystrokes. In: Proceedings of the 18th International Conference on the Foundations of Digital Games (FDG '23). New York: ACM, 2023. art. 46, p. 1–4. DOI: 10.1145/3582437.3587184.
HITAR-GARCÍA, J. A.; MORÁN-FERNÁNDEZ, L.; BOLÓN-CANEDO, V. Machine Learning Methods for Predicting League of Legends Game Outcome. IEEE Transactions on Games, v. 15, n. 2, p. 171–181, 2023. DOI: 10.1109/TG.2022.3153086.
HODGE, V. J.; DEVLIN, S.; SEPHTON, N.; BLOCK, F.; COWLING, P. I.; DRACHEN, A. Win Prediction in Multiplayer Esports: Live Professional Match Prediction. IEEE Transactions on Games, v. 13, n. 4, p. 368–379, 2021. DOI: 10.1109/TG.2019.2948469.
JUNIOR, Jailson; CAMPELO, Cláudio. League of Legends: Real-Time Result Prediction. In: Anais do XVI Congresso Brasileiro de Inteligência Computacional. [S. l.]: SBIC, 2023. p. 1-8. DOI: 10.21528/CBIC2023-161.
KE, C. H. et al. DOTA 2 match prediction through deep learning team fight models. In: 2022 IEEE Conference on Games (CoG). Beijing: IEEE, 2022. p. 96-103. DOI: 10.1109/CoG51982.2022.9893647.
MINAMI, Sorato; KOYAMA, Haruki; WATANABE, Ken; SAIJO, Naoki; KASHINO, Makio. Prediction of esports competition outcomes using EEG data from expert players. Computers in Human Behavior, v. 160, art. 108351, 2024. DOI: 10.1016/j.chb.2024.108351.
NIELAND, Jesse. The Possibilities of Applying Machine Learning to a Limited Esports Dataset. 2025. Trabalho de Conclusão de Curso (Bacharelado em Data Science and Artificial Intelligence) – LIACS, Leiden University, Leiden, 2025.
RAETZE, Sebastian; STAEDTER, Christian; HÜLLMANN, Joschka Andreas. Aiming at research on esports teams: a systematic literature review and cross-disciplinary future agenda. Team Performance Management: An International Journal, v. 31, n. 5/6, p. 364–389, 2025. DOI: 10.1108/TPM-09-2024-0109.
SILVA, Antonio Luis Cardoso; PAPPA, Gisele Lobo; CHAIMOWICZ, Luiz. Continuous Outcome Prediction of League of Legends Competitive Matches Using Recurrent Neural Networks. In: SBC – Proceedings of SBGames 2018: Computing Track – Short Papers. Foz do Iguaçu: SBC, 2018. p. 639–642. ISSN 2179-2259.
SMITH, Brian A.; NAYAR, Shree K. Mining Controller Inputs to Understand Gameplay. In: Proceedings of the 29th Annual Symposium on User Interface Software and Technology (UIST '16). New York: ACM, 2016. p. 157-168. DOI: 10.1145/2984511.2984543.
ŠVEC, O. Predicting Counter-Strike Game Outcomes with Machine Learning. 2022. Trabalho de Conclusão de Curso (Bacharelado) – Czech Technical University in Prague, Praga, 2022.
WANG, Letian; DORMANN, Claire; WALLNER, Günter. A Feature Comparison Study of Live Companion Tools for Esports Games. In: INTERNATIONAL CONFERENCE ON THE FOUNDATIONS OF DIGITAL GAMES (FDG), 19, 2024, Worcester. Proceedings of the 19th International Conference on the Foundations of Digital Games. New York: ACM, 2024. 11 p. DOI: 10.1145/3649921.3650004.
WHITE, Alfonso; ROMANO, Daniela M. Scalable Psychological Momentum Forecasting in Esports. In: WORKSHOP SUM ’20: STATE-BASED USER MODELLING, THE THIRTEENTH ACM INTERNATIONAL CONFERENCE ON WEB SEARCH AND DATA MINING (WSDM ’20), 2020, Houston. Workshop SUM ’20: State-based User Modeling, The Thirteenth ACM International Conference on Web Search and Data Mining. New York: ACM, 2020. 8 p.
XENOPOULOS, Peter; SILVA, Cláudio T. ESTA: An Esports Trajectory and Action Dataset. arXiv, 2022. Disponível em: https://arxiv.org/abs/2209.09861.
YANGIBAEV, S.; MATTIEV, J.; MOKWENA, S. DotA 2 Match Outcome Prediction System Using Decision Tree Ensemble Algorithms. Big Data and Cognitive Computing, v. 9, n. 12, art. 302, 2025. DOI: 10.3390/bdcc9120302.
Downloads
Publicado
Edição
Seção
Categorias
Licença
Copyright (c) 2026 Marcel Ricardo Goto (Autor)
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Este trabalho está licenciado sob a Licença Creative Commons Atribuição 4.0 Internacional (CC BY 4.0). Isso significa que você tem a liberdade de:
- Compartilhar — copiar e redistribuir o material em qualquer meio ou formato.
- Adaptar — remixar, transformar e construir sobre o material para qualquer propósito, inclusive comercial.
O uso deste material está condicionado à atribuição apropriada ao(s) autor(es) original(is), fornecendo um link para a licença, e indicando se foram feitas alterações. A licença não exige permissão do autor ou da editora, desde que seguidas estas condições.
A logomarca da licença Creative Commons é exibida de maneira permanente no rodapé da revista.
Os direitos autorais do manuscrito podem ser retidos pelos autores sem restrições e solicitados a qualquer momento, mesmo após a publicação na revista.
Como Citar
