Deep-Racing: An Embedded Deep Neural Network (EDNN) Model to Predict the Winning Strategy in Formula One Racing
Notice bibliographique
Résumé
This paper presents an embedded deep neural network model to predict the driver rank and the optimum pitstop strategy.In formula one racing, the race strategy is critical to determine optimal pitstops and finish the race in the best possible position.Considering a system with only one racing car, the pitstop can be decided just by looking at the degradation of the tires.But in reality, the formula one environment is more complex, and multiple probabilistic factors (like safety car phases, opponent strategy, and overtaking) influence the pitstop decision.Deep-Racing is a prediction and decision algorithm for formula one racing cars that uses neural networks with embedding layers.The algorithm is developed after carefully reviewing formula one racing and appropriate statistical modeling techniques, which can be trained for pre-race and real-time predictions during the race using the data from previous laps.Deep-Racing has the potential to help team principals and race engineers to decide the optimized strategy for making pitstops.It is trained on the data from seasons 2015-2022.This project is the first to utilize an embedded layer in motorsport racing predictions, and the results show an improvement in predictive accuracy compared with the previously available literature.This paper significantly expands the previous research in this field and proposes trends in the data available from the latest seasons.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».