• 项目简介
• 主要功能
• 技术栈
• 项目结构
• 在线体验
• 部署与使用
  • 使用已有模型（本地快速体验）
  • 自行训练模型
  • 云数据库注册
  • Hugging Face Spaces Docker 部署（推荐）
  • 其他平台
• 贡献指南
• TODO
• 常见问题
• 联系方式
• 自动化与CI/CD

本项目为本人毕业设计

论文题目：《基于深度学习的英雄联盟比赛胜率预测的研究》

院校：北京石油化工学院

专业：大数据管理与应用

年级：2020级

旨在通过深度学习技术预测英雄联盟（LOL）比赛的胜率，为玩家、教练和分析师提供数据支持。通过分析双方阵容选择，结合英雄特性和历史数据，模型能够给出较为准确的胜率预测。

• 阵容分析、胜率预测、可视化展示、英雄搜索、数据更新、异步处理、响应式设计
• 🌵创新模型架构：双向LSTM（BiLSTM_Att）+注意力机制
• 📊大规模数据集：5w+条职业比赛与表演赛数据
• 🎯高精度预测：准确率、精确率、召回率、F1分数均约95%
• 🖥️用户友好界面：Web界面，输入阵容即可预测

后端：Python、PyTorch、Flask、RocketMQ、MySQL
前端：HTML5、CSS3、JavaScript、jQuery UI、ECharts、Fuse.js

. ├── api/ # API服务 │ ├── app.py # Flask主入口 ├── main.py # 数据全流程自动化主入口 ├── requirements.txt # 依赖包列表 ├── vercel.json # Vercel部署配置 ├── README.md # 项目说明文件 ├── .env.example # 环境变量示例 ├── .env.local # 本地环境变量 ├── BILSTM_Att/ # 深度学习模型与推理相关 │ ├── BILSTM_Att.py # BiLSTM_Att模型结构 │ ├── train.py # 模型训练脚本 │ ├── predict.py # 单次预测脚本 │ ├── test.py # 模型测试脚本 │ └── BILSTM_Att.pt # 训练好的模型权重 ├── Data_CrawlProcess/ # 数据爬取与处理 ├── data/ # 数据文件 ├── static/ # 前端静态资源 ├── templates/ # Jinja2模板 ├── tool_utils/ # 工具类 ├── logs/ # 日志输出目录 └── ... 

✅Huggingface Space 部署+CF反代

1. 克隆项目

   git clone https://github.com/Viper373/LOL-DeepWinPredictor.git cd LOL-DeepWinPredictor

2. 安装依赖（建议虚拟环境）

   python -m venv venv # Windows venv/Scripts/activate # Linux/Mac source venv/bin/activate pip install -r requirements.txt

3. 配置环境变量 复制 .env.example 为 .env.local，填写变量值。
4. 启动 Web 服务

   python -m api.app # 访问 http://127.0.0.1:5000

1. 克隆项目并安装依赖（同上）
2. 配置所有环境变量（详见 .env.example）
3. 采集全部数据

   python main.py

4. 训练模型
   • 调整 BILSTM_Att/train.py 中的模型参数，随后训练模型

   python BILSTM_Att/train.py

5. 模型部署
   • 训练完成后，将生成的模型文件重命名为 BILSTM_Att.pt，移动至 static/saved_model/ 目录下。
6. 启动 Web 服务（同上）

云端部署前需先注册云端免费数据库，获取环境变量所需值：

平台	数据库类型	注册地址	注册教程
SQLPub	MySQL	https://sqlpub.com/	https://www.appmiu.com/30458.html
MongoDB Atlas	MongoDB	https://account.mongodb.com/account/login?signedOut=true	https://blog.aqcoder.cn/posts/b267/

1. Duplicate this Space
2. 配置环境变量 复制 .env.example 为 .env.local，填写变量值。
3. 等待构建完成，访问 Space 即可体验

本项目已适配主流云平台，支持一键部署：

在 GitHub Actions 或云端部署时，需要在仓库的 Settings → Secrets and variables → Actions 中添加以下环境变量（参考 .env.example 文件）：

⚠️ 代理配置（PROXY）为可选项，若部署环境无法直接访问外网或有特殊网络需求时可设置。

本项目已集成 GitHub Actions 工作流（见 .github/workflows/main.yml），支持：

• 定时自动运行：每周日 0点自动拉取和更新数据集。

• 手动触发：可在 GitHub Actions 页面点击手动运行。

• （可选）自动同步到 Hugging Face Space：若已在仓库 Secrets 配置 HF_TOKEN，工作流会在将变更推送到 GitHub 后，自动把更新内容（保持原路径结构）同步到 spaces/Viper3733/LOL-DeepWinPredictor。

获取并配置 HF_TOKEN：

• 在 Hugging Face 设置页面创建 Token（https://huggingface.co/settings/tokens），授予 write 权限。
• 在 GitHub 仓库 Settings → Secrets and variables → Actions 中新增 Secret：HF_TOKEN。

只需在仓库设置好环境变量，GitHub Actions 会自动完成数据采集与更新，无需手动操作服务器。

本项目集成了 GitHub Actions 自动化流程，实现了数据集自动更新与 Release 自动发布，无需手动操作服务器。

• 定时任务：每周日 0 点自动运行，拉取和更新数据集。
• 手动触发：可在 GitHub Actions 页面点击手动运行。
• 自动提交：如有数据变更，自动 commit 并推送到 main 分支。

核心流程（main.yml）：

on: schedule: - cron: '0 0 * * 0' workflow_dispatch: jobs: run-main: runs-on: ubuntu-latest steps: - uses: actions/checkout@v3 - name: 设置 Python 环境 uses: actions/setup-python@v4 with: python-version: '3.12' - name: 安装依赖 run: |  python -m pip install --upgrade pip  pip install -r requirements.txt  - name: 运行 main.py env: # ...数据库和代理相关环境变量... run: |  python main.py  - name: 配置 Git run: |  git config --global user.name 'github-actions[bot]'  git config --global user.email 'github-actions[bot]@users.noreply.github.com'  - name: 检查变更并提交 run: |  git add .  git diff --cached --quiet || git commit -m "数据自动更新"  - name: 推送变更 run: |  git remote set-url origin https://x-access-token:${{ secrets.GITHUB_TOKEN }}@github.com/${{ github.repository }}.git  git push origin main  env: GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}

• 触发时机：main 分支有 push 时自动触发。
• 自动生成 Release Notes：基于本次 push 的所有变更，调用 AI 自动生成标准 Markdown 格式的发布日志。
• 自动打 tag 并发布 Release：版本号自动递增，无需人工干预。

核心流程（release.yml）：

on: push: branches: - main jobs: auto-release: runs-on: ubuntu-latest steps: - name: Checkout code with full history uses: actions/checkout@v4 with: fetch-depth: 0 - name: 安装 jq run: sudo apt-get install -y jq - name: 生成 diff run: |  BEFORE_SHA=$(jq -r '.before' "$GITHUB_EVENT_PATH")  AFTER_SHA=$(jq -r '.after' "$GITHUB_EVENT_PATH")  if [ "$BEFORE_SHA" = "0000000000000000000000000000000000000000" ]; then  BEFORE_SHA=$(git rev-list --max-parents=0 HEAD)  fi  git diff --patch $BEFORE_SHA..$AFTER_SHA > changes.diff  - name: 生成下一个 tag id: get_tag run: |  git fetch --tags  latest_tag=$(git tag --list 'v*' --sort=-v:refname | head -n 1)  # ...自动递增版本号逻辑...  - name: AI 生成 Release Notes env: OPENROUTER_API_KEY: ${{ secrets.OPENROUTER_API_KEY }} run: |  PROMPT='请根据以下代码差异生成符合 GitHub Release 标准的 changelog，要求：\n1. 使用 ### 分类标题\n2. 每项添加合适 emoji\n3. 简明扼要描述变更\n4. 不要使用代码块（三个反引号包裹）\n5. 输出语言为中文\n\n示例格式：\n### 新增功能\n- ✨ 新增了用户注册功能\n...\n代码差异：\n'  DIFF_CONTENT=$(cat changes.diff)  FULL_PROMPT="$PROMPT$DIFF_CONTENT"  JSON_PROMPT=$(printf "%s" "$FULL_PROMPT" | jq -Rs .)  echo "{\"model\": \"x-ai/grok-4-fast:free\", \"messages\": [{\"role\": \"user\", \"content\": $JSON_PROMPT}]}" > request.json  response=$(curl -s https://openrouter.ai/api/v1/chat/completions \  -H "Content-Type: application/json" \  -H "Authorization: Bearer $OPENROUTER_API_KEY" \  --data-binary @request.json)  generated_notes=$(echo "$response" | jq -e -r '.choices[0].message.content') || { echo "AI返回内容解析失败"; exit 3; }  if [ -z "$generated_notes" ]; then  echo "AI未生成内容"; exit 4;  fi  echo "$generated_notes" > release_note.txt  - name: Create tag and release env: GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }} run: |  git config user.name github-actions  git config user.email github-actions@github.com  git tag ${{ steps.get_tag.outputs.tag }}  git push origin ${{ steps.get_tag.outputs.tag }}  note="$(cat release_note.txt)"  gh release create ${{ steps.get_tag.outputs.tag }} --notes "$note" --title "${{ steps.get_tag.outputs.tag }}"

• 在 GitHub 仓库 Settings → Secrets and variables → Actions 中添加：
  • MYSQL_HOST、MYSQL_PORT、MYSQL_USER、MYSQL_PASSWORD、MYSQL_DATABASE、MONGO_URI、PROXY（如需代理）、GITHUB_TOKEN、OPENROUTER_API_KEY（如需 AI 生成 Release Notes）等。
• 参考 .env.example 文件。

• AI Release Notes 需保证 OPENROUTER_API_KEY 有效，否则发布日志会失败。
• 自动化流程会覆盖 main 分支的内容，请勿在 main 上直接开发。
• 如需自定义自动化逻辑，可修改 .github/workflows/main.yml 和 .github/workflows/release.yml。

1. 提交问题：使用GitHub Issues报告bug或建议
2. 提交代码：Fork仓库，创建分支，提交PR
3. 代码规范：遵循PEP8，添加注释和文档，确保测试通过

• 调整参数，添加Counter数据重新训练（当前模型部分过拟合）
• Next.js前端重构
• 英雄数据展示（BAN、PICK、WinRate）
• 战队数据展示
• 选手数据展示
• LPL未来 / 历史比赛展示
• LCK、LEC、LCS等其他赛区数据及功能
• 前端结果导出

• Q: 云端部署时模型文件如何处理？
  • A: 云端（如 Hugging Face）无法训练模型，需在本地训练好后，重命名为 BILSTM_Att.pt 上传到 static/saved_model/ 目录。
• Q: 其他平台（如 Vercel、Netlify）能否用？
  • A: 理论支持，但受限于依赖体积和运行环境，推荐 Hugging Face Spaces Docker 部署。
• Q: 数据库如何配置？
  • A: 参考 .env.example，可用 SQLPub、MongoDB Atlas 等云数据库。

如有任何问题，请联系项目作者（打上备注：LOL-DeepWinPredictor）。

• 🥗E-mail: 2483523414@qq.com
• 🍟WeChat: Viper373
• 🍔QQ: 2483523414