Baseline-relative evaluation of lap-time and tyre-degradation models for Formula 1 race strategy
Este estudio evalúa modelos de degradación de neumáticos y de tiempos de vuelta de la Fórmula 1 frente a rigurosos pronósticos de referencia utilizando 167.083 vueltas, demostrando que su ventaja predictiva proviene primordialmente de la modelización de residuos relativos a la vuelta anterior en lugar de valores absolutos, y que la construcción de una base de referencia justa es crítica para evaluar con precisión el rendimiento relevante para la estrategia.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En el mundo de alto riesgo de las carreras de Fórmula 1, la diferencia entre ganar y perder a menudo se reduce a una sola decisión: cuándo detener el coche y cambiar sus neumáticos. Los equipos emplean estrategas que deben predecir dos cosas con extrema precisión. Primero, necesitan saber qué tan rápido irá el coche en la vuelta siguiente. Segundo, deben estimar cuánto disminuirá esa velocidad a medida que el caucho se desgaste con el tiempo. Estas predicciones no son conjeturas; se calculan utilizando complejos modelos informáticos entrenados con años de datos de carreras. Si estos modelos son precisos, pueden guiar a un equipo hacia la victoria. Si son defectuosos, incluso el plan de carrera más sofisticado fallará. Durante años, investigadores han publicado estudios afirmando que sus modelos son altamente precisos, citando a menudo errores minúsculos en sus predicciones. Sin embargo, una pieza crítica del rompecabezas ha faltado en estos informes: una comparación contra la suposición más simple posible. En un deporte donde la velocidad de un coche en una vuelta es casi idéntica a la siguiente, simplemente predecir que la próxima vuelta será igual a la anterior es una base sorprendentemente sólida. Sin saber cómo rinde este método simple, es imposible saber si un modelo informático complejo está añadiendo algún valor o simplemente repitiendo lo que ya es obvio.
Un nuevo estudio realizado por investigadores del Instituto de Ciencia y Tecnología de Bharath busca cerrar esta brecha. Recopilaron un conjunto de datos masivo de más de 167,000 vueltas de registros públicos de Fórmula 1 que abarcan varias temporadas. Su objetivo era probar modelos avanzados de aprendizaje automático contra un pronóstico "simple", que es simplemente el acto de asumir que la siguiente vuelta tardará exactamente lo mismo que la anterior. Los investigadores construyeron un modelo sofisticado utilizando una técnica llamada potenciación de gradiente (gradient boosting), que ayuda a las computadoras a aprender patrones de los datos combinando muchas reglas de decisión simples. Entrenaron este modelo con datos de 2019 a 2022 y luego lo probaron en carreras de 2023, 2024 y 2025 para ver si podía predecir los tiempos de vuelta mejor que el método simple de "repetir la última vuelta". Los resultados fueron claros: el modelo avanzado efectivamente superó a la suposición simple. En promedio, el modelo redujo el error de predicción en aproximadamente un 15 por ciento en comparación con el método simple. Esto significa que, para cada vuelta, la suposición del modelo estuvo más cerca del tiempo real por un margen pequeño pero significativo.
Sin embargo, los investigadores descubrieron que el tamaño de esta ventaja dependía enteramente de cómo se configuraba la comparación. Cuando compararon el modelo con la suposición simple a lo largo de toda la carrera, el modelo parecía increíblemente fuerte. Pero un examen más detenido reveló una falla en la comparación. La suposición simple a veces fallaba porque intentaba predecir una vuelta con neumáticos nuevos usando datos de una vuelta con neumáticos desgastados, como inmediatamente después de una parada en boxes. Dado que el modelo sabía que se había instalado un neumático nuevo, tenía una ventaja injusta sobre la suposición simple en esos momentos específicos. Cuando los investigadores corrigieron la comparación para asegurar que la suposición simple también conociera el cambio de neumático, la ventaja del modelo se redujo del 15 por ciento a aproximadamente un 12 por ciento. Esta cifra del 12 por ciento es la verdadera medida de la habilidad del modelo. El estudio también encontró que el éxito del modelo no se distribuía uniformemente a lo largo de la carrera. Fue más efectivo durante las primeras vueltas después de una parada en boxes, donde mejoró las predicciones en más del 30 por ciento. En la mitad de una carrera, cuando el coche circula de manera constante, la ventaja del modelo era mucho menor y, a veces, no era estadísticamente significativa en absoluto.
El estudio también abordó la cuestión de la degradación de los neumáticos, o cuánto se pierde de velocidad a medida que el neumático envejece. Los investigadores descubrieron que la forma en que definieron la "degradación" en su modelo informático cambiaba fundamentalmente lo que significaban los resultados. Utilizaron un método donde el modelo predice el tiempo extra que tomará una vuelta en comparación con un neumático nuevo. Descubrieron que, debido a que este cálculo está matemáticamente ligado al tiempo de la vuelta en sí, cualquier éxito que el modelo tuviera en predecir la degradación era, en realidad, éxito en la predicción del tiempo de la vuelta. El modelo no estaba aprendiendo nada nuevo sobre cómo se desgastan los neumáticos; simplemente estaba mejorando en adivinar la velocidad de la siguiente vuelta. Este hallazgo sugiere que estudios previos que afirmaban predecir el desgaste de los neumáticos podrían haber estado midiendo la predicción del tiempo de vuelta. Los investigadores también probaron si su modelo necesitaba ser reentrenado cada vez que las reglas del deporte cambiaban, como cuando se introducían nuevos diseños de coches. Encontraron que un modelo entrenado con datos más antiguos funcionaba tan bien como uno entrenado con datos más nuevos, y que combinar toda la historia de hecho hacía al modelo más fuerte. Esto implica que los equipos no necesitan descartar años de datos cuando cambian las regulaciones; los patrones de cómo se comporta un coche de una vuelta a otra siguen siendo lo suficientemente consistentes como para ser útiles.
En última instancia, esta investigación ofrece una visión más clara de lo que estos modelos de predicción pueden y no pueden hacer. Confirma que los modelos informáticos avanzados pueden predecir los tiempos de vuelta mejor que una suposición simple, pero solo cuando la comparación es justa y tiene en cuenta las condiciones específicas de la carrera, como los cambios de neumáticos. Los modelos son particularmente útiles durante los momentos caóticos de una carrera, como justo después de una parada en boxes, pero ofrecen menos ayuda cuando el coche circula sin contratiempos. El estudio también sirve como una advertencia sobre cómo se evalúan estos modelos. Muestra que, sin una base de comparación justa y una definición cuidadosa del problema, los investigadores pueden fácilmente exagerar su éxito. Para los equipos que dependen de estos pronósticos, la lección es práctica: utilicen estas herramientas para tomar decisiones durante las transiciones, como las paradas en boxes, pero no confíen en ellas para predecir la degradación de los neumáticos a largo plazo en un solo paso. El estudio no pretende haber resuelto el misterio de la degradación de los neumáticos, pero ha logrado despejar la confusión que rodea la medición de la precisión de estas predicciones, asegurando que las estrategias futuras se construyan sobre bases sólidas y no sobre ilusiones estadísticas.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.