Baseline-relative evaluation of lap-time and tyre-degradation models for Formula 1 race strategy
本研究は、167,083ラップを用いた厳格なベースライン予測に対してF1のラップタイムおよびタイヤ・デグラデーション・モデルを評価し、それらの予測上の優位性が絶対値ではなく前ラップに対する残差をモデリングすることに主に起因していること、および戦略に関連するパフォーマンスを正確に評価するためには適切なベースライン構築が極めて重要であることを示している。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
F1（フォーミュラ1）という極めて高い緊張感が漂う世界において、勝利と敗北の差はしばしば、たった一つの決断、すなわち「いつ車を止めてタイヤを交換するか」という判断によって決まります。チームは、二つのことを極めて正確に予測しなければならないストラテジスト（戦略家）を雇っています。第一に、次のラップで車がどれほどの速さで走るかを知る必要があります。第二に、ゴムが摩耗するにつれて、その速度がどのように低下するかを見積もらなければなりません。これらの予測は単なる推測ではありません。長年のレースデータを用いて学習させた複雑なコンピュータモデルによって計算されています。もしこれらのモデルが正確であれば、チームを勝利へと導くことができます。もし欠陥があれば、いかに精巧なレースプランであっても失敗に終わります。長年、研究者たちは自らのモデルが非常に正確であるとする研究を発表し、予測における極めて小さな誤差をしばしば引用してきました。しかし、これらの報告書からは、ある重要なパズルのピースが欠落していました。それは、「最も単純な推測」との比較です。一回のラップの速度が次のラップとほぼ同一であるスポーツにおいて、「次のラップは前回のラップと同じである」と単に予測することは、驚くほど強力な基準（ベースライン）となります。車の速度が前回のラップとほぼ変わらない中で、この単純な手法がどの程度のパフォーマンスを発揮するかを知ることなしには、複雑なコンピュータモデルが実際に価値を付加しているのか、それとも単に既に明白なことを繰り返しているだけなのかを判断することは不可能です。
バラト科学技術研究所の研究者による新しい研究は、このギャップを埋めることを目的としています。彼らは、数シーズンにわたる公開されたF1の記録から、16万7,000ラップを超える膨大なデータセットを集めました。彼らの目標は、高度な機械学習モデルを、「次のラップは前のラップと全く同じ時間がかかる」と仮定するという「単純な」予測に対してテストすることでした。研究者たちは、多くの単純な決定ルールを組み合わせることでコンピュータがデータからパターンを学習できる「勾配ブースティング」と呼ばれる手法を用いて、洗練されたモデルを構築しました。彼らは2019年から2022年までのデータでこのモデルを学習させ、その後、2023年、2024年、そして2025年のレースを用いて、このモデルが「前のラップを繰り返す」という単純な推測よりも優れたラップタイムを予測できるかどうかをテストしました。結果は明白でした。高度なモデルは、確かに単純な推測よりも優れた性能を示しました。平均して、このモデルは単純な手法と比較して、予測誤差を約15パーセント減少させました。これは、モデルの推測が、実際のラップタイムに対して、わずかながらも重要な差でより正確であったことを意味します。
しかし、研究者たちは、この優位性の大きさが比較の設定方法に完全に依存していることを発見しました。レース全体を通してモデルを単純な推測と比較した場合、モデルは非常に強力に見えました。しかし、詳細に調査すると、比較における欠陥が判明しました。単純な推測は、例えばピットストップ直後のように、摩耗したタイヤでのラップデータを用いて、新しいタイヤを装着した状態のラップを予測しようとした際に失敗することがあったのです。モデルは新しいタイヤが装着されたことを知っていたため、これらの特定の瞬間において、単純な推測に対して不当な優位性を持っていました。研究者が、単純な推測においてもタイヤ交換に関する情報を考慮するように比較を修正したところ、モデルの優位性は15パーセントから約12パーセントへと縮小しました。この12パーセントという数字こそが、モデルの真の実力を示す指標とされます。また、研究は、モデルの成功がレース全体に均等に分布しているわけではないことも明らかにしました。モデルは、ピットストップ直後の最初の数ラップにおいて最も効果的であり、予測精度を30パーセント以上向上させました。レースの中盤、車が安定して走行している局面では、モデルの優位性ははるかに小さくなり、統計的に有意ではない場合もありました。
また、この研究は「タイヤの劣化」、すなわちタイヤの老化に伴ってどれだけの速度が失われるかという問題にも取り組みました。研究者たちは、コンピュータモデルにおける「劣化」の定義方法が、結果の意味を根本的に変えてしまうことを発見しました。彼らは、モデルが「新品のタイヤと比較して、ラップにどれだけの追加時間がかかるか」を予測するという手法を用いました。その結果、この計算は数学的にラップタイム自体と結びついているため、モデルが示した劣化予測における成功は、実際にはラップタイム予測における成功に過ぎないことが判明しました。モデルはタイヤがどのように摩耗するかについて新しい何かを学習していたのではなく、単に次のラップの速度を予測することに長けていただけだったのです。この発見は、タイヤの摩耗を予測できると主張してきたこれまでの研究が、実はラップタイムの予測を測定していた可能性を示唆しています。研究者たちはさらに、新しい車の設計が導入されるなど、スポーツのルールが変わるたびにモデルを再学習させる必要があるかどうかについてもテストしました。その結果、古いデータで学習したモデルは、新しいデータで学習したモデルと同等の性能を発揮し、すべての歴史を組み合わせることでモデルはより強力になることが分かりました。これは、レギュレーションが変わったとしても、チームは長年のデータを破棄する必要はないことを意味します。一回のラップから次のラップへの車の挙動のパターンは、十分に一貫しており、有用であり続けるからです。
結局のところ、この研究は、これらの予測モデルができることとできないことをより明確に示しています。高度なコンピュータモデルは、単純な推測よりも優れたラップタイム予測が可能であることを確認しましたが、それは比較が公平であり、ピットストップのようなレース特有の状況を考慮している場合に限られます。モデルは、ピットストップ直後のようなレースの混沌とした局面では特に有用ですが、車がスムーズに走行している時にはあまり助けになりません。この研究は、モデルの評価方法に対する警告でもあります。適切な基準（ベースライン）がなく、問題の定義が不適切であれば、研究者は容易に自らの成功を誇張してしまう可能性があることを示しています。これらの予測に頼るチームにとって、教訓は実用的です。ピットストップのような移行期における意思決定のためにこれらのツールを活用すべきですが、単一のステップで長期的なタイヤの摩耗を予測するために頼り切ってはなりません。この研究は、タイヤの劣化という謎を解明したと主張するものではありませんが、予測の正確性の測定方法を取り巻く混乱を解消することには成功しました。これにより、将来の戦略が統計的な錯覚ではなく、確かな基盤の上に築かれることを保証したのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。