L’analisi delle strategie di gara è un elemento chiave della Formula 1, in cui ogni decisione relativa ai pitstop e alla gestione degli pneumatici può determinare il successo o il fallimento di un pilota. Questa tesi sperimentale propone lo sviluppo di un modello di raccomandazione basato su algoritmi di machine learning, con l’obiettivo di ottimizzare la strategia di gara in base a una serie di variabili critiche. Il focus dell’analisi è incentrato sulle performance di Lewis Hamilton, uno dei piloti più vincenti della storia della F1, al fine di comprendere come le sue strategie di gestione delle gomme e dei pit stop si confrontino con quelle suggerite dal modello. Il modello prende in considerazione dati storici di gara, integrando informazioni su degrado gomme, condizioni meteo, eventi di Safety Car e Virtual Safety Car, incidenti e posizione in pista. Attraverso l’uso di dataset provenienti da librerie come FastF1 e fonti ufficiali della FIA, vengono elaborati algoritmi capaci di identificare la strategia ottimale per ogni GP, confrontandola con le decisioni effettivamente adottate dal team di Hamilton. L’obiettivo è determinare il margine di miglioramento nella scelta delle strategie e analizzare i fattori esterni che influenzano le decisioni in tempo reale. L’analisi sperimentale viene validata attraverso test su più Gran Premi, con una particolare attenzione alle discrepanze tra la strategia reale e quella suggerita. Una dashboard interattiva permette di visualizzare i risultati in maniera intuitiva, evidenziando il potenziale applicativo del modello per i team di F1. Infine, vengono discussi i possibili sviluppi futuri, tra cui l’integrazione di dati sul consumo carburante e l’adattamento del modello per un utilizzo in tempo reale durante le gare. Questa ricerca dimostra come l’intelligenza artificiale e gli algoritmi di raccomandazione possano fornire un supporto strategico avanzato nel motorsport, offrendo nuove prospettive per l’ottimizzazione delle prestazioni in gara.

Applicazione di algoritmi di raccomandazione per l’ottimizzazione delle strategie di gara di Lewis Hamilton in Formula 1

CELESTINO, ASSUNTA
2025/2026

Abstract

L’analisi delle strategie di gara è un elemento chiave della Formula 1, in cui ogni decisione relativa ai pitstop e alla gestione degli pneumatici può determinare il successo o il fallimento di un pilota. Questa tesi sperimentale propone lo sviluppo di un modello di raccomandazione basato su algoritmi di machine learning, con l’obiettivo di ottimizzare la strategia di gara in base a una serie di variabili critiche. Il focus dell’analisi è incentrato sulle performance di Lewis Hamilton, uno dei piloti più vincenti della storia della F1, al fine di comprendere come le sue strategie di gestione delle gomme e dei pit stop si confrontino con quelle suggerite dal modello. Il modello prende in considerazione dati storici di gara, integrando informazioni su degrado gomme, condizioni meteo, eventi di Safety Car e Virtual Safety Car, incidenti e posizione in pista. Attraverso l’uso di dataset provenienti da librerie come FastF1 e fonti ufficiali della FIA, vengono elaborati algoritmi capaci di identificare la strategia ottimale per ogni GP, confrontandola con le decisioni effettivamente adottate dal team di Hamilton. L’obiettivo è determinare il margine di miglioramento nella scelta delle strategie e analizzare i fattori esterni che influenzano le decisioni in tempo reale. L’analisi sperimentale viene validata attraverso test su più Gran Premi, con una particolare attenzione alle discrepanze tra la strategia reale e quella suggerita. Una dashboard interattiva permette di visualizzare i risultati in maniera intuitiva, evidenziando il potenziale applicativo del modello per i team di F1. Infine, vengono discussi i possibili sviluppi futuri, tra cui l’integrazione di dati sul consumo carburante e l’adattamento del modello per un utilizzo in tempo reale durante le gare. Questa ricerca dimostra come l’intelligenza artificiale e gli algoritmi di raccomandazione possano fornire un supporto strategico avanzato nel motorsport, offrendo nuove prospettive per l’ottimizzazione delle prestazioni in gara.
2025
Formula 1
F1
Algoritmi
Raccomandazione
Ottimizzazione
File in questo prodotto:
File Dimensione Formato  
Celestino.Assunta.pdf

accesso aperto

Dimensione 3.29 MB
Formato Adobe PDF
3.29 MB Adobe PDF Visualizza/Apri

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14251/8181