← أحدث الأبحاث
💻 علوم الحاسوب

Baseline-relative evaluation of lap-time and tyre-degradation models for Formula 1 race strategy

تقيم هذه الدراسة نماذج زمن اللفة وتآكل الإطارات في الفورمولا 1 مقابل توقعات مرجعية صارمة باستخدام 167,083 لفة، مظهرةً أن ميزتها التنبؤية تنبع أساساً من نمذجة البواقي بالنسبة للفة السابقة بدلاً من القيم المطلقة، ومن أن بناء خط الأساس العادل أمر بالغ الأهمية لتقييم الأداء ذي الصلة بالاستراتيجية بدقة.

المؤلفون الأصليون: T. Shakila, K. Baalaji

نُشر 2026-10-23
📖 5 دقيقة قراءة🧠 قراءة متعمّقة
CC BY 4.0

المؤلفون الأصليون: T. Shakila, K. Baalaji

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في عالم سباقات الفورمولا 1 عالي المخاطر، غالباً ما يكمن الفرق بين الفوز والخسارة في قرار واحد: متى يتم إيقاف السيارة وتغيير إطاراتها. يعتمد الفرق على استراتيجيين يجب عليهم التنبؤ بشيئين بدقة متناهية؛ أولاً، يحتاجون إلى معرفة السرعة التي ستسير بها السيارة في اللفة التالية مباشرة. ثانياً، يجب عليهم تقدير مدى انخفاض هذه السرعة مع تآكل المطاط بمرور الوقت. هذه التنبؤات ليست مجرد تخمينات، بل هي حسابات تُجرى باستخدام نماذج حاسوبية معقدة مدربة على سنوات من بيانات السباقات. إذا كانت هذه النماذج دقيقة، فيمكنها توجيه الفريق نحو النصر، أما إذا كانت معيبة، فإن أكثر خطط السباق تطوراً ستفشل. لسنوات، نشر الباحثون دراسات تدعي أن نماذجهم دقيقة للغاية، وغالباً ما يستشهدون بأخطاء ضئيلة في تنبؤاتهم. ومع ذلك، كان هناك جزء مفقود وحاسم من اللغز في هذه التقارير: وهو المقارنة مقابل أبسط تخمين ممكن. ففي رياضة تكون فيها سرعة السيارة في لفة ما مطابقة تقريباً للفة التي تليها، يعد مجرد التنبؤ بأن اللفة القادمة ستكون بنفس طول اللفة السابقة قاعدة قوية بشكل مفاجئ. وبدون معرفة مدى أداء هذه الطريقة البسيطة، فمن المستحيل معرفة ما إذا كان أي نموذج حاسوبي معقد يضيف أي قيمة أم أنه يكرر فقط ما هو واضح بالفعل.

تأتي دراسة جديدة أجراها باحثون في معهد بهارات للعلوم والتكنولوجيا لإصلاح هذه الفجوة. فقد جمعوا مجموعة بيانات ضخمة تضم أكثر من 167,000 لفة من سجلات الفورمولا 1 العامة الممتدة عبر عدة مواسم. كان هدفهم هو اختبار نماذج تعلم آلي متقدمة مقابل توقع "بسيط"، وهو ببساطة افتراض أن اللفة التالية ستستغرق بالضبط نفس وقت اللفة السابقة. بنى الباحثون نموذجاً متطوراً باستخدام تقنية تسمى "تعزيز التدرج" (gradient boosting)، والتي تساعد الحواسيب على تعلم الأنماط من البيانات عن طريق دمج العديد من قواعد القرار البسيطة. قاموا بتدريب هذا النموذج على بيانات من عام 2019 إلى 2022، ثم اختبروه على سباقات من أعوام 2023 و2024 و2025 لمعرفة ما إذا كان بإمكانه التنبؤ بأوقات اللفات بشكل أفضل من طريقة "تكرار اللفة الأخيرة" البسيطة. كانت النتائج واضحة: لقد تفوق النموذج المتقدم بالفعل على التخمين البسيط. ففي المتوسط، قلل النموذج من خطأ التنبؤ بنحو 15 بالمائة مقارنة بالطريقة البسيطة. وهذا يعني أنه بالنسبة لكل لفة، كان تخمين النموذج أقرب إلى الوقت الفعلي بهامش صغير ولكنه مهم.

ومع ذلك، اكتشف الباحثون أن حجم هذه الميزة يعتمد كلياً على كيفية إعداد المقارنة. فعندما قارنوا النموذج بالتخمين البسيط عبر السباق بأكمله، بدا النموذج قوياً للغاية. لكن نظرة فاحصة كشفت عن خلل في المقارنة؛ إذ فشل التخمين البسيط أحياناً لأنه حاول التنبؤ بلفة على إطارات جديدة باستخدام بيانات من لفة على إطارات مستهلكة، كما هو الحال مباشرة بعد التوقف في منصة الصيانة. وبما أن النموذج كان يعلم أنه تم تركيب إطار جديد، فقد كان يتمتع بميزة غير عادلة على التخمين البسيط في تلك اللحظات المحددة. وعندما صحح الباحثون المقارنة لضمان معرفة التخمين البسيط أيضاً بتغيير الإطارات، تقلصت ميزة النموذج من 15 بالمائة إلى حوالي 12 بالمائة. وتعتبر نسبة الـ 12 بالمائة هذه هي المقياس الحقيقي لمهارة النموذج. كما وجدت الدراسة أن نجاح النموذج لم يكن موزعاً بالتساوي عبر السباق؛ فقد كان أكثر فعالية خلال اللفات القليلة الأولى بعد التوقف في منصة الصيانة، حيث حسن التنبؤات بنسبة تزيد عن 30 بالمائة. أما في منتصف السباق، عندما تسير السيارة بشكل مستقر، كانت ميزة النموذج أصغر بكثير، وأحياناً لم تكن ذات دلالة إحصائية على الإطلاق.

كما تناولت الدراسة مسألة تآكل الإطارات، أو مقدار السرعة المفقودة مع تقادم الإطار. وجد الباحثون أن الطريقة التي عرّفوا بها "التآكل" في نموذجهم الحاسوبي غيرت جوهر النتائج بشكل جذري. فقد استخدموا طريقة يتنبأ فيها النموذج بالوقت الإضافي الذي ستستغرقه اللفة مقارنة بإطار جديد. واكتشفوا أنه نظرًا لأن هذا الحساب مرتبط رياضياً بوقت اللفة نفسه، فإن أي نجاح حققه النموذج في التنبؤ بالتآكل كان في الواقع مجرد نجاح في التنبؤ بوقت اللفة. لم يكن النموذج يتعلم شيئاً جديداً حول كيفية تآكل الإطارات؛ بل كان ببساطة يصبح أفضل في تخمين سرعة اللفة التالية. تشير هذه النتيجة إلى أن الدراسات السابقة التي ادعت التنبؤ بتآكل الإطارات ربما كانت تقيس التنبؤ بوقت اللفة بدلاً من ذلك. كما اختبر الباحثون ما إذا كان نموذجهم يحتاج إلى إعادة التدريب في كل مرة تتغير فيها قوانين الرياضة، مثل عند تقديم تصميمات جديدة للسيارات. ووجدوا أن نموذجاً تم تدريبه على بيانات قديمة كان يعمل بشكل جيد تماماً مثل نموذج تم تدريبه على بيانات أحدث، وأن دمج التاريخ الكامل جعل النموذج أقوى في الواقع. وهذا يعني أن الفرق لا تحتاج إلى التخلص من سنوات من البيانات عند تغير اللوائح؛ إذ تظل الأنماط المتعلقة بكيفية سلوك السيارة من لفة إلى أخرى ثابتة بما يكفي لتكون مفيدة.

في النهاية، تقدم هذه الأبحاث رؤية أوضح لما يمكن لهذه النماذج التنبؤية فعله وما لا يمكنها فعله. فهي تؤكد أن النماذج الحاسوبية المتقدمة يمكنها التنبؤ بأوقات اللفات بشكل أفضل من التخمين البسيط، ولكن فقط عندما تكون المقارنة عادلة وتراعي الظروف المحددة للسباق، مثل تغيير الإطارات. وتكون هذه النماذج مفيدة بشكل خاص خلال اللحظات الفوضوية من السباق، مثل اللحظات التي تلي التوقف في منصة الصيانة مباشرة، لكنها تقدم مساعدة أقل عندما تسير السيارة بسلاسة. كما تعمل الدراسة كتحذير لكيفية تقييم هذه النماذج؛ فهي توضح أنه بدون قاعدة أساسية عادلة وتعريف دقيق للمشكلة، يمكن للباحثين بسهولة المبالغة في نجاحهم. وبالنسبة للفرق التي تعتمد على هذه التوقعات، فإن الدرس عملي: استخدموا هذه الأدوات لاتخاذ القرارات أثناء مراحل الانتقال، مثل التوقف في منصة الصيانة، ولكن لا تعتمدوا عليها للتنبؤ طويل الأمد بتآكل الإطارات في خطوة واحدة. لا تدعي الدراسة أنها حلت لغز تآكل الإطارات، لكنها نجحت في إزالة الغموض المحيط بكيفية قياس دقة هذه التنبؤات، مما يضمن بناء الاستراتيجيات المستقبلية على أسس صلبة بدلاً من الأوهام الإحصائية.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →