Baseline-relative evaluation of lap-time and tyre-degradation models for Formula 1 race strategy
Cette étude évalue des modèles de temps de tour et de dégradation des pneus de Formule 1 par rapport à des prévisions de référence rigoureuses en utilisant 167 083 tours, démontrant que leur avantage prédictif provient principalement de la modélisation des résidus par rapport au tour précédent plutôt que des valeurs absolues, et qu'une construction de base équitable est cruciale pour évaluer avec précision la performance pertinente pour la stratégie.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans le monde de la Formule 1, où les enjeux sont colossaux, la différence entre la victoire et la défaite repose souvent sur une seule décision : le moment où l'on arrête la voiture pour changer ses pneus. Les écuries emploient des stratèges qui doivent prédire deux choses avec une précision extrême. Premièrement, ils doivent savoir à quelle vitesse la voiture ira lors du tour suivant. Deuxièmement, ils doivent estimer de combien cette vitesse diminuera à mesure que le caoutchouc s'use au fil du temps. Ces prédictions ne sont pas des suppositions ; elles sont calculées à l'aide de modèles informatiques complexes entraînés sur des années de données de course. Si ces modèles sont précis, ils peuvent mener une équipe vers la victoire. S'ils sont défaillants, même le plan de course le plus sophistiqué échouera. Pendant des années, des chercheurs ont publié des études affirmant que leurs modèles étaient hautement précis, citant souvent des erreurs infimes dans leurs prédictions. Cependant, une pièce cruciale du puzzle manquait à ces rapports : une comparaison par rapport à la supposition la plus simple possible. Dans un sport où la vitesse d'une voiture sur un tour est presque identique à celle du tour suivant, simplement prédire que le tour suivant sera le même que le précédent est une base de référence étonnamment solide. Sans savoir comment cette méthode simple se comporte, il est impossible de dire si un modèle informatique complexe apporte réellement une valeur ajoutée ou s'il ne fait que répéter ce qui est déjà évident.
Une nouvelle étude menée par des chercheurs de l'Institut de Science et Technologie de Bharath s'efforce de combler cette lacune. Ils ont rassemblé un ensemble massif de données de plus de 167 000 tours issus de dossiers publics de Formule 1 couvrant plusieurs saisons. Leur objectif était de tester des modèles d'apprentissage automatique avancés contre une prévision « simple », qui consiste simplement à supposer que le tour suivant durera exactement aussi longtemps que le précédent. Les chercheurs ont construit un modèle sophistiqué en utilisant une technique appelée « gradient boosting », qui aide les ordinateurs à apprendre des motifs à partir de données en combinant de nombreuses règles de décision simples. Ils ont entraîné ce modèle sur des données de 2019 à 2022, puis l'ont testé sur des courses de 2023, 2024 et 2025 pour voir s'il pouvait prédire les temps de tour mieux que la méthode simple de « répétition du dernier tour ». Les résultats ont été clairs : le modèle avancé a effectivement surpassé la supposition simple. En moyenne, le modèle a réduit l'erreur de prédiction d'environ 15 % par rapport à la méthode simple. Cela signifie que, pour chaque tour, la supposition du modèle était plus proche du temps réel par une marge faible mais significative.
Cependant, les chercheurs ont découvert que l'ampleur de cet avantage dépendait entièrement de la manière dont la comparaison était organisée. Lorsqu'ils ont comparé le modèle à la supposition simple sur l'ensemble de la course, le modèle paraissait incroyablement performant. Mais un examen plus approfondi a révélé une faille dans la comparaison. La supposition simple échouait parfois parce qu'elle tentait de prédire un tour sur des pneus neufs en utilisant des données provenant d'un tour sur des pneus usés, comme immédiatement après un arrêt aux stands. Comme le modèle savait qu'un pneu neuf avait été monté, il bénéficiait d'un avantage injuste sur la supposition simple dans ces moments spécifiques. Lorsque les chercheurs ont corrigé la comparaison pour s'assurer que la supposition simple connaissait également le changement de pneu, l'avantage du modèle est passé de 15 % à environ 12 %. Ce chiffre de 12 % est considéré comme la véritable mesure de la compétence du modèle. L'étude a également révélé que le succès du modèle n'était pas réparti uniformément sur la course. Il était plus efficace durant les premiers tours suivant un arrêt aux stands, où il améliorait les prédictions de plus de 30 %. Au milieu d'une course, lorsque la voiture roule de manière constante, l'avantage du modèle était beaucoup plus faible et parfois pas du tout statistiquement significatif.
L'étude a également abordé la question de la dégradation des pneus, ou la perte de vitesse à mesure que le pneu vieillit. Les chercheurs ont découvert que la façon dont ils définissaient la « dégradation » dans leur modèle informatique modifiait fondamentalement la signification des résultats. Ils ont utilisé une méthode où le modèle prédisait le temps supplémentaire qu'un tour prendrait par rapport à un pneu neuf. Ils ont découvert qu'en raison du fait que ce calcul est mathématiquement lié au temps de tour lui-même, tout succès du modèle dans la prédiction de la dégradation était en réalité un succès dans la prédiction du temps de tour. Le modèle n'apprenait rien de nouveau sur l'usure des pneus ; il devenait simplement meilleur pour deviner la vitesse du tour suivant. Cette découverte suggère que des études précédentes affirmant prédire l'usure des pneus mesuraient peut-être la prédiction du temps de tour à la place. Les chercheurs ont également testé si leur modèle avait besoin d'être réentraîné à chaque fois que les règles du sport changeaient, par exemple lors de l'introduction de nouveaux designs de voitures. Ils ont constaté qu'un modèle entraîné sur des données plus anciennes performait aussi bien qu'un modèle entraîné sur des données plus récentes, et que la combinaison de toute l'histoire rendait le modèle plus fort. Cela implique que les équipes n'ont pas besoin de rejeter des années de données lorsque les réglementations changent ; les schémas de comportement d'une voiture d'un tour à l'autre restent suffisamment cohérents pour être utiles.
En fin de compte, cette recherche offre une vision plus claire de ce que ces modèles de prédiction peuvent et ne peuvent pas faire. Elle confirme que les modèles informatiques avancés peuvent prédire les temps de tour mieux qu'une supposition simple, mais seulement lorsqu'on effectue une comparaison équitable qui tient compte des conditions spécifiques de la course, comme les changements de pneus. Les modèles sont particulièrement utiles lors des moments chaotiques d'une course, tels que juste après un arrêt aux stands, mais ils offrent moins d'aide lorsque la voiture roule de manière fluide. L'étude sert également d'avertissement sur la façon dont ces modèles sont évalués. Elle montre que sans une base de référence équitable et une définition prudente du problème, les chercheurs peuvent facilement surestimer leur succès. Pour les équipes qui dépendent de ces prévisions, la leçon est pratique : utilisez ces outils pour prendre des décisions lors des transitions, comme les arrêts aux stands, mais ne comptez pas sur eux pour prédire l'usure à long terme des pneus en une seule étape. L'étude ne prétend pas avoir résolu le mystère de la dégradation des pneus, mais elle a réussi à dissiper la confusion entourant la mesure de la précision de ces prédictions, garantissant que les futures stratégies soient bâties sur des bases solides plutôt que sur des illusions statistiques.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.