Massimo Rondelli

Tyre strategy is one of the most decisive factors in a Formula 1 race: teams must balance the grip, durability and speed of each compound against track temperature, tyre wear and weather. This project, developed for my B.Sc. thesis, studies recurrent and feed-forward neural networks (LSTM, GRU and MLP) to predict the best tyre for each lap of a race, using telemetry data from the FastF1 library. The “best tyre” is defined through a best-lap-time metric.

Results. The GRU consistently outperformed the other models, reaching 51.4% accuracy (learning rate 1e-4), against 28.1% for the LSTM, 27.1% for the MLP, and 24.5% for a blind classifier that predicts from class priors only. Its recurrent structure captures the sequential nature of race data better than the alternatives.

Left: accuracy of GRU, LSTM and MLP compared with a blind classifier. Right: tyre compound usage in the dataset.

Accuracy and loss of each model across learning rates.

Links: Code · Thesis

Thesis: (Rondelli, 2023)

References

2023

B.Sc. Thesis
The Future of Formula 1 Racing: Neural Networks to Predict Tyre Strategy

Massimo Rondelli

University of Bologna, Mar 2023

B.Sc. in Computer Science and Management.
Supervisor: Elena Loli Piccolomini
Co-Supervisor: Davide Evangelista

Abs Bib HTML PDF

La Formula 1 è uno dei motorsport più popolari al mondo, con milioni di fan che seguono ogni gara. È uno sport altamente competitivo e tecnologicamente avanzato, con team che cercano costantemente modi per ottimizzare le loro prestazioni e ottenere un vantaggio competitivo. Uno dei fattori critici nella performance di un team è la scelta delle gomme durante una gara. Di solito sono disponibili tre diversi tipi di pneumatici per ogni gara, con diversi livelli di aderenza, durata e velocità. Le gomme più morbidi offrono maggior aderenza ma si consumano più velocemente, mentre quelle più dure durano più a lungo ma offrono meno aderenza. I team devono scegliere quali utilizzare durante la gara in base a una serie di fattori, tra cui la temperatura della pista, l’usura delle gomme e le condizioni meteorologiche. La strategia delle gomme è un aspetto essenziale della performance di un team, poiché fare le scelte giuste può fornire un vantaggio competitivo. I team devono bilanciare la necessità di tempi sul giro ottimali con la necessità di ridurre al minimo il numero di pit stop richiesti durante la gara. Ciò richiede un’analisi accurata dei dati, compresi i tassi di usura delle gomme e i tempi sul giro, per determinare il momento ottimale per cambiare le gomme e quale gomma utilizzare. Lo scopo di questa tesi di laurea è quello di sviluppare e implementare reti neurali, in particolare LSTM e GRU, per prevedere la strategia delle gomme durante una gara di Formula 1. Il progetto mira a utilizzare i dati telemetrici provenienti dall’API "FastF1" e sviluppare un modello che possa prevedere con precisione quando e quali cambi di gomme sono richiesti durante una gara. I risultati del progetto possono fornire informazioni sull’efficacia di questi algoritmi in questo contesto e contribuire allo sviluppo di modelli di previsione delle gomme più avanzati in futuro.
@mastersthesis{rondelli2023formula1, title = {The Future of Formula 1 Racing: Neural Networks to Predict Tyre Strategy}, author = {Rondelli, Massimo}, school = {University of Bologna}, year = {2023}, month = mar, note = {B.Sc. in Computer Science and Management.<br>Supervisor: Elena Loli Piccolomini<br>Co-Supervisor: Davide Evangelista}, keywords = {Formula 1, Reti Neurali, Deep Learning, Predizione strategia pneumatici, LSTM, GRU, FastF1}, language = {Italian} }