1.一种基于CNN‑GRU模型的实时策略游戏中稀疏指令的预测方法，其特征在于，它包括以下步骤：步骤1：收集游戏平台产生的对战数据；

步骤2：对收集到的对战数据进行清理，剔除冗余数据；

步骤3：提取出数据中己方、敌方信息相关特征因素，并对获取到的数据进行数据处理；

步骤4：进行CNN‑GRU网络模型的构建，并采用所构建的网络模型进行指令类型的预测；

在步骤2中，具体包括以下步骤：

步骤2‑1)将从步骤1获取到的对战数据中进行状态信息的提取，同时提取标签信息，其中标签分为两大类一类是空白指令，一类是有效指令；

步骤2‑2)剔除掉不符合规范的推演数据；

步骤2‑3)删除掉不必要的特征；

在步骤3中，对获取到的数据进行min‑max归一化，然后采用PCA主成分分析法对输入的特征向量进行降维处理；具体的，包括以下步骤：步骤3‑1)构建每一个时间步的输入，所有的时间步组成一个完整的时间序列也就是一场游戏对战的过程；

步骤3‑2)把按时间顺序提取到的信息进行补齐操作，使用手工的方式将每一个时间点的向量维度补成相同的长度；

步骤3‑3)进行数据的归一化处理，归一化的公式如下：x′ij为xij归一化之后的数值，xij是第i列第j维特征，xi是第i列特征，min(xi)是第i列的所有维度中的数值的最小值，max(xi)是第i列所有维度中的数值最大值；

步骤3‑4)对上述数据使用PCA主成分分析法对数据进行降维处理。

2.根据权利要求1所述的方法，其特征在于，它还包括步骤5：将数据分成多份进行交叉验证，从而选择出更好的超参数。

3.根据权利要求1所述的方法，其特征在于，在步骤4中，在构建CNN‑GRU网络模型时，包括以下步骤：步骤4‑1)构建卷积神经网络，提取游戏状态特征，生成特征矩阵，这里卷积神经网络使用多个卷积核，不同的卷积核关注不同的特征；

步骤4‑2)使用门控循环网络GRU提取时间序列的依赖特征；

步骤4‑3)使用dropout技术防止过拟合现象；

步骤4‑4)使用多层感知器将门控循环神经网络的输出映射到线性空间；

步骤4‑5)使用softmax函数进行标签的预测；

步骤4‑6)使用带权重的交叉熵函数最小化损失；

采用以上步骤建立CNN‑GRU网络模型。

4.根据权利要求3所述的方法，其特征在于，在步骤4‑1)中，构建卷积神经网络，提取游戏状态特征，生成特征矩阵，其计算公式如下：t

x＝σcnn(wcnn⊙xt+bcnn)；

xt表示当前状态和动作特征，wcnn表示过滤器的权重，bcnn表示偏差参数，σcnn是激活函数；

在步骤4‑2)中，使用门控循环网络GRU提取时间序列的依赖特征：GRU重置门：

t t t‑1

r＝σ(Wrx+Urh +br)

GRU更新门：

t t t‑1

z＝σ(Wzx+Uzh +bz)

t t‑1

σ为sigmoid函数，W、U和b为权重和偏置项，x即为卷积神经网络的输出，h 为上一个状态所传递下来的信息；更新门和重置门确定历史节点信息对当前节点信息的贡献程度；

上一状态信息经过重置后，通过权重和偏置项与当前输入进行聚合更新以形成当前时刻状态：t t

为当前时刻t的候选隐藏状态；W、U和b为权重和偏置项，x为卷积神经网络的输出，rt‑1为重置门，h 为上一状态的信息；tanh激活函数将数据缩放至‑1到1的范围内；

t t t‑1

h为当前隐藏状态信息，z为更新门，h 为上一个状态所传递下来的信息。

5.根据权利要求4所述的方法，其特征在于，在步骤4‑3)中，使用dropout对隐藏层节点进行随机丢弃，从而防止过拟合时，采用以下步骤：使用dropout防止过拟合：

(l)

rj ＝Bernoulli(p)

Bernoulli函数是随机生成一个概率的向量，也就是以一个概率为p的伯努利分布随机地生成与节点数相同的0、1值。

6.根据权利要求3至5其中之一所述的方法，其特征在于，在步骤4‑4)中，将经过dropout层之后的GRU网络的输出映射到线性空间时，采用以下公式：f1为多层感知机MLP。

7.根据权利要求6所述的方法，其特征在于，在步骤4‑5)中，将多层感知机的输出作为softmax函数的输入来进行标签预测时，采用以下方式：W为权重，b为偏置项，hv为多层感知机的输出，为预测的标签；

在步骤4‑6)中，在使用带权重的交叉熵函数最小化损失时；

计算公式如下：

wj是权重；M为类别的数量，yij为指示变量，取值为0或1，如果样本i的真实类别与j相同，此时yij取值为1，否则取值为0； 为样本i属于类别j的预测概率；

是第j类样本类型的样本数量；其中wj的计算公式如下：wj为第j类类别的权重，nclasses是数据集中所有类型种类数量，nsamples是数据集中的样本总数。