Machine learning in esports shows great promise due to the rising interest in the phenomenon and the specificity of the data available. This study explores the untapped potential of spatiotemporal game-state prediction by applying machine learning techniques to predict the future position of a player in a match of League of Legends, a popular esports title. The research involved a comprehensive background study, data processing, feature selection, model training, and results visualization. The developed models demonstrated the ability to predict future player positions with a reasonable degree of accuracy. However, further work is required to enhance model performance and address data rights issues that may arise. The study highlights the importance of data quality and availability, calling for more official datasets from game publishers to support continued research in this burgeoning field.Koneoppiminen e-urheilussa vaikuttaa lupaavalta johtuen ilmiön kasvavasta kiinnostuksesta ja datan spesifisyydestä. Tämä tutkimus tutkii hyödyntämätöntä potentiaalia ajallis-avaruudellisten pelitilojen ennustamisessa soveltamalla koneoppimistekniikoita ennustamaan pelaajan tulevaa sijaintia suositussa e-urheilupelissä League of Legends. Tutkimukseen sisältyi kattava taustatutkimus, datan käsittely, ominaisuuksien valinta, mallin koulutus ja tulosten visualisointi. Kehitetyt mallit osoittivat kyvyn ennustaa tulevia pelaajien sijainteja kohtuullisella tarkkuudella. Mallien suorituskyvyn parantamiseksi ja mahdollisten datan käyttöoikeuksiin liittyvien ongelmien ratkaisemiseksi tarvitaan kuitenkin lisätyötä. Tutkimus korostaa datan laadun ja saatavuuden tärkeyttä ja vaatii pelinkehittäjiltä enemmän virallista dataa tukemaan jatkuvaa tutkimusta tällä nousevalla alalla.
