数据来源：王者荣耀赛事官方平台，仅用作非商业学术研究
图片来源：王者荣耀赛事官方平台，仅用作非商业学术研究
背景介绍
数据来源 2025 年 KPL 年度总决赛四场淘汰赛，2026 年 KPL 春季赛常规赛+季后赛，2026 挑战者杯 16 进 8 淘汰赛共计 129 场大比赛，包含 562 小局比赛。 模型的预测数据分为三个部分，第一部分是简单输入红蓝方阵容使用的 10 位英雄，输出双方阵容的胜率对比。第二部分是搭配双方战队使用英雄的选手，输出添加了选手偏差的双方阵容的胜率对比。第三部分仅给出即将比赛的双方战队，输出该大场的胜者以及大概比分。 本次预测采取双模型预测的方式，即基于逻辑回归和随机森林的机器学习以及深度学习的模型训练方式。不仅输出模型训练集和测试集的准确率追踪折线图，还会对比分析模型应用到真实比赛场景下的预测差异。（由于使用的预测方式均为赛前预测，比赛中不稳定因素较多，同时样本相似度较低导致准确率较低） 本次对比的真实大场是 2026 年王者荣耀挑战者杯 8 强胜者组半决赛成都 AG 超玩会对战重庆狼队的全部七小局，以及为了预测大场比分的五场 BO7。
数据集介绍
由于数据集跨度超过三个赛季，也就是三个赛事分为S41-天元、S42-神佑建木、S43-陌上相逢。其中S42对应2026年KPL春季赛的样本数量最多，训练的时候采用混合相加的方式。
针对录入的小局数据分为三个维度。
小局详情表：红蓝方战队、胜者战队、小局MVP选手、第一滴血战队、第一条暴君战队、破第一座中塔战队、破第一座高地战队、第一条黑暗暴君战队、第一条暗影主宰战队、双方总推塔数、双方总控龙数、小局对局时长。
小局禁选英雄表：红蓝方禁用和选用各自10位英雄的名称和顺序。
小局选手表现表：红蓝方参战选手、选手本局选用的英雄、选手本局的KDA、选手本局的输出量、选手本局的承伤量、选手本局的经济、选手本局的参团率。
以及针对上述基础数据绘制的多张数据聚合表，辅助模型筛选特征向量进行迭代。
特征向量讲解
3.1 机器学习
（1）场景一：大场比分预测
（2）场景二：单局阵容预测（仅英雄/三特征）
（3）场景三：单局阵容预测（选手+英雄/四特征）
3.2 深度学习模型
（1）大场比分预测
模型类型：Embedding+MLP（多分类）
输入特征向量（约130-150维）
选手6维统计量明细：
单局阵容预测（仅英雄）
模型类型：英雄Embedding+MLP
输入特征向量（约160-320维）
单局阵容预测（英雄嵌入+选手）
模型类型：英雄Embedding+MLP
输入特征向量（约161-321维）
双模型准确率追踪
4.1 机器学习
单局BP（测试集整体）：测试样本93，准确率79.6%
大场比分预测（测试集）：测试样本34，准确率70.6%
4.2 深度学习
阵容深度学习（测试集）：样本112，准确率75.9%
大场比分预测（BO5）：样本208，准确率38.1%
大场比分预测（BO7）：样本48，准确率20.0%
真实对局预测对比
5.1 红狼大战第一小局
机器学习（仅英雄）：蓝方胜率43.1%、红方胜率56.9%。置信度中等，守约、钟馗出场率低，样本较少。
深度学习（仅英雄）：蓝方胜率49.1%、红方胜率49.9%。由于双方胜率均衡，置信度较低。
机器学习（英雄+选手）：蓝方胜率37.6%、红方胜率62.4%。解释显示置信度较高，且添加选手后，显示双方约再差-1.5个百分点。
深度学习（英雄+选手）：蓝方胜率47.7%、红方胜率52.3%。由于双方胜率均衡，置信度较低。
真实场景：重庆狼队（蓝方）获胜，局内双方有来有回，前中期AG优势较大，并在11分钟点掉狼队上路高地，但是13分钟大帅钟馗掉点被抓住机会反打，狼队后期阵容成型拿下比赛。
5.2 红狼大战第二小局
机器学习（仅英雄）：蓝方胜率43.8%、红方胜率56.2%。置信度中等，吕布出场率低，苍联赛历史胜率46.8%对蓝方胜率影响较大。
深度学习（仅英雄）：蓝方胜率43.8%、红方胜率56.2%。由于双方胜率均衡，置信度较低。
机器学习（英雄+选手）：蓝方胜率34.0%、红方胜率66.0%。解释显示置信度较高，且添加选手后，显示双方约再差-2.8个百分点。模型建议红方采取主动进攻的打法偏激进。
深度学习（英雄+选手）：蓝方胜率41.4%、红方胜率58.6%。置信度中等，其中AG五人历史使用这套阵容的胜率更高导致结果偏向红方。
真实场景：重庆狼队（蓝方）获胜，局内前期10分钟AG虽然获取短暂的经济优势，但是狼队10分钟龙团处理的更好，打出了一波0换2拿下黑暗暴君，之后进入狼队阵容的强势期。后期狼队上高被AG抓住一波机会反打成功，但是决胜团信的苏烈绕后开团奠定胜局。
5.3 红狼大战第三小局
机器学习（仅英雄）：蓝方胜率46.6%、红方胜率53.8%。置信度较低，项羽出场率低，样本太少，模型建议红方谨慎接团。
深度学习（仅英雄）：蓝方胜率48.9%、红方胜率51.1%。由于双方胜率均衡，置信度较低。
机器学习（英雄+选手）：蓝方胜率19.8%、红方胜率80.2%。解释显示置信度较高，且添加选手后，显示双方约再差-8.5个百分点。模型建议红方采取主动进攻的打法但是经济略优需要稳定发育，蓝方则是需要前期争取优势避免对方大核成型。
深度学习（英雄+选手）：蓝方胜率41.5%、红方胜率58.5%。置信度中等。
真实场景：成都AG超玩会（蓝方）获胜，局内14分钟前狼队经济大优势，但是在上高地的时候出现了选手着急被AG抓住机会反打，而后钟意杨戬关键抢夺暗影主宰，后期AG阵容配合轩染关羽控制成功翻盘拿下比赛。
5.4 红狼大战第四小局
机器学习（仅英雄）：蓝方胜率46.0%、红方胜率54.0%。置信度较低，金蝉出场率低，样本太少，模型建议红方谨慎接团。
深度学习（仅英雄）：蓝方胜率40.5%、红方胜率59.5%。置信度中等，提示红方阵容评分低于蓝方，缺少控制。
机器学习（英雄+选手）：蓝方胜率87.9%、红方胜率12.1%。解释显示置信度较高，且添加选手后，显示双方约再差14.5个百分点。模型建议红方需要中野抢节奏，避免均值被蓝方滚雪球。
深度学习（英雄+选手）：蓝方胜率53.0%、红方胜率47.0%。由于胜率均衡，置信度较低。
真实场景：成都AG超玩会（蓝方）获胜，前中期狼队仍然优先取得了大优势并在13分钟破掉AG三路高地。但是后续团战处理和带线牵制AG更胜一筹，其中18分钟AG钟意镜带线推掉狼队上路高地，同时21分钟狼队清清白起先手开团但是被优先集火击杀导致团战失败，AG顺势拿下比赛。
5.5 红狼大战第五小局
机器学习（仅英雄）：蓝方胜率44.3%、红方胜率55.7%。置信度中等，孙膑出场率低，样本太少，模型建议红方主动求战。
深度学习（仅英雄）：蓝方胜率49.1%、红方胜率50.9%。置信度较低，提示红方阵容评分低于蓝方，缺少输出。
机器学习（英雄+选手）：蓝方胜率82.2%、红方胜率17.8%。解释显示置信度较高，且添加选手后，显示双方约再差11.9个百分点。
深度学习（英雄+选手）：蓝方胜率59.4%、红方胜率40.6%。置信度中等。
真实场景：成都AG超玩会（蓝方）获胜，前中期狼队仍然优先取得了大优势，但是13分钟AG高地打掉敌方少司缘延缓攻势，15分钟狼队上高地再次出现失误被AG轩染老夫子抓住机会2换5团灭，来到AG阵容的优势期，狼队阵容后期明显输出量不够无法击杀AG前排，最后23分钟AG拿下本场比赛。
5.6 红狼大战第六小局
机器学习（仅英雄）：蓝方胜率43.1%、红方胜率56.9%。置信度中等，模型建议蓝方前期扩大线权优势，防止敌方大核成型；建议红方中期主动求战。
深度学习（仅英雄）：蓝方胜率43.8%、红方胜率56.2%。置信度较低，提示蓝方阵容评分低于红方缺少控制。
机器学习（英雄+选手）：蓝方胜率93.2%、红方胜率6.8%。解释显示置信度高，且添加选手后，显示双方约再差19.6个百分点。
深度学习（英雄+选手）：蓝方胜率60.7%、红方胜率39.3%。置信度中等。
真实场景：重庆狼队（红方）获胜，前期双方均势，但是七分钟狼队清清关羽关键群控，配合队友打出0换3进入狼队优势。后续狼队不断以战养战冲击敌方后排戈娅，狼队皖皖哪吒装备成型后AG阵容无法处理最终16分钟狼队找到机会一波拿下比赛。
5.7 红狼大战巅峰对决
机器学习（仅英雄）：蓝方胜率43.5%、红方胜率56.5%。置信度中等，模型建议蓝方前期扩大线权优势，防止敌方大核成型；建议红方中期主动求战。
深度学习（仅英雄）：蓝方胜率50.6%、红方胜率49.4%。置信度较低。
机器学习（英雄+选手）：蓝方胜率56.7%、红方胜率43.3%。解释显示置信度中等，且添加选手后，显示双方约再差3.6个百分点。
深度学习（英雄+选手）：蓝方胜率53.8%、红方胜率46.2%。置信度较低。
真实场景：成都AG超玩会（蓝方）获胜，前期双方均势，但是9分钟AG钟意元流之子打出敌方司空震掉点，13分钟AG团战再次优先集火司空震，但后续狼队道崽敖隐切断敌方艾琳，但后续小团战AG不断优势，抓住阵容优势期和敌方司空震发育较差推掉敌方高地，最终20分钟AG拿下比赛胜利。
大场比分预测
6.1 北京JDG对战杭州LGD.NBW
（1）机器学习：京东4：3胜利，置信度中高，其中提到了京东的控暴君率、第一座中塔率和前期一血能力优于LGD。
（2）深度学习：京东4：3胜利，置信度高，其中提到游走位经济与己方胜率负相关，但是京东的对抗路经济与己方胜率也成负相关。
（3）真实比分：4：2
6.2 桐乡情久对战上海EDG.M
（1）机器学习：情久4：2胜利，置信度中高，模型认为两方历史交手胜率差、蓝方胜率差、场均死亡差、总胜率差更偏向情久。
（2）深度学习：情久4：2胜利，置信度高，其中模型认为情久的中路经济与己方成正相关，而敌方打野经济与我方成负相关。
（3）真实比分：2：4
6.3 佛山DRG对战无锡TCG
（1）机器学习：DRG2：4失败，置信度中高。模型认为近期状态无锡TCG更好且高于其他维度。
（2）深度学习：DRG4：2胜利，置信度高。模型仍然认为游走位/对抗路位经济与己方成负相关，而中路经济则为正相关。
（3）真实比分：4：2
6.4 成都AG超玩会对战上海EDG.M
（1）机器学习：AG4：3胜利，其中模型认为AG的两队历史交手胜率差维度尤为高。
（2）深度学习：AG4：2胜利，但是其他比分中存在EDG获胜的可能性且高于机器学习，可能由于AG近期选手状态较差。
（3）真实比分：4：1
6.5 桐乡情久对战重庆狼队
（1）机器学习：情久3：4失败，模型认为两队历史交手胜率狼队更高且狼队有压倒性优势。
（2）深度学习：情久4：2胜利，但是仅仅和狼队4：0情久比分相差5个百分点，且其他比分发生的几率不大。
（3）真实比分：0：4
7、总结
本文基于129大场、562小局的真实KPL数据，通过机器学习与深度学习双模型对比，对2026年挑战者杯胜者组半决赛“红狼大战”的七小局以及五场BO7大场进行了逐局验证。研究的主要发现如下：
（1）阵容预测的准确率存在明显边界
在测试集上，机器学习单局BP预测准确率达到79.6%，但在真实“红狼大战”的七小局中，仅英雄版本（三特征）的准确率不足30%，英雄+选手版本（四特征）的准确率约为43%。这一落差揭示了实验室环境与真实比赛场景之间的巨大鸿沟——测试集准确率高不代表能稳定预测具体比赛。
（2）选手+英雄特征是一把“双刃剑”
第四、五小局中，选手特征（+14.5%、+11.9%）帮助模型正确预测了AG获胜；但第一、三小局中，选手特征（-1.5%、-8.5%）也导致了严重偏差。问题不在于“是否使用选手特征”，而在于如何过滤小样本噪声——大帅钟馗仅1场100%胜率的极端值，足以误导整个预测。
（3）机器学习与深度学习的“性格差异”
机器学习（逻辑回归+随机森林）：倾向于给出极端概率（如AG 99.5%、狼队99.8%），在特征一致时高度自信，但也容易过度拟合历史规律。
深度学习（Embedding+MLP）：倾向于保守估计（如AG 55.7%、桐乡情久50.0%），比分分布呈现单峰/双峰/三峰形态，更诚实地反映了不确定性。
（4）积分梯度（IG）揭示了KPL的真实经济规律
在桐乡情久、成都AG、佛山DRG等四个完全不同的案例中，IG归因规律高度一致：
己方游走/对抗路经济越高 → 胜率越低
己方中路经济越高 → 胜率越高
对方游走经济越高 → 己方胜率越高
这说明模型从数据中自主学到了KPL的“经济分配真理”——让经济的人赢了，抢经济的人输了。这一发现本身，比预测准确率更有价值。
（5）大场预测的准确率与局限性
在五场BO7大场预测中，机器学习准确率约60%（3/5），深度学习准确率约60%（3/5）。两者在桐乡情久vs狼队、DRG vs TCG等案例中出现正面冲突，反映了两种建模范式的根本差异：机器学习依赖宏观趋势，深度学习依赖微观规律。（6）样本稀疏问题
KPL每年仅数百场比赛，而可能的阵容组合数以百万计。每种特定阵容在训练集中可能只出现1-2次，这是当前技术无法突破的根本限制。
（7）赛中特征无法用于赛前预测
第一滴血、第一条龙、龙团争夺等关键胜负点，在赛前完全不可知。模型只能依赖历史均值进行“概率化预测”，无法预判临场发挥。
（8）历史规律可能被随时打破
狼队对AG历史交手7:0全胜，但AG在本次系列赛中4:3获胜。模型根据历史数据做出“正确”的统计推断，但竞技体育的魅力就在于“历史可以被创造”。
8、未来改进
（1）从“预测胜负”转向“辅助决策”
与其追求80%+的准确率，不如将AI定位为“教练的数据参谋”——提供BP建议、对手习惯分析、经济分配评估等可操作的洞察。
（2）引入时间衰减与贝叶斯平滑
对选手+英雄特征按出场次数进行置信度加权，出场少于5次的组合大幅降低其影响力；对近期比赛赋予更高权重，捕捉状态衰减。
（3）发展实时预测模型
在比赛进行到5/10/15分钟时，结合第一滴血、第一条龙、经济差等赛中特征动态更新胜率，这比赛前预测更有实用价值。
（4）降维处理英雄组合
将100+英雄聚类为20-30个“英雄类型”（如前期强势、后期大核、节奏型打野等），降低组合爆炸带来的样本稀疏问题。
