Modelado Predictivo de Degradación y Optimización de Estrategias en Fórmula 1

Abstract

[Resumen] El presente Trabajo de Fin de Grado aborda el diseño e implementación de un sistema inteligente de soporte a la decisión aplicado a la estrategia de carrera en la Fórmula 1. El sistema integra telemetría real de las temporadas 2022–2025, obtenida mediante la API FastF1, con modelos de aprendizaje automático para predecir el ritmo de carrera y optimizar las paradas en boxes. La arquitectura del sistema sigue un enfoque end-to-end basado en una arquitectura por capas de procesamiento progresivo, combinada con el diseño dimensional de Kimball. El proceso se divide en cuatro fases: extracción y carga de datos crudos (data loader), enri quecimiento e integración con catálogos estáticos de circuitos y neumáticos (data enricher), feature engineering mediante una ecuación de consumo de combustible, y entrenamiento de un modelo de regresión XGBoost para predecir el tiempo de vuelta ajustado por combustible (Fuel_Adjusted_LapTime). La variable objetivo aísla la degradación del neumático del efecto del peso del combustible, permitiendo evaluar el ritmo puro del monoplaza. La validez del modelo se evalúa mediante el error absoluto medio (MAE) sobre los datos de la temporada 2025. Los resultados obtenidos sientan las bases para un módulo futuro de optimización estratégica capaz de simular una ca rrera completa y recomendar matemáticamente el número y momento óptimo de las paradas en boxes.

[Abstract] This Bachelor’s thesis presents the design and implementation of an intelligent decision support system applied to race strategy in Formula 1.This Bachelor’s thesis presents the de sign and implementation of an intelligent decision-support system applied to race strategy in Formula 1. The system integrates real telemetry data from the 2022–2025 seasons, retrieved through the FastF1 API, with machine learning models aimed at predicting race pace and optimising pit-stop strategy. The system architecture follows an end-to-end approach based on a layered data process ing architecture combined with Kimball’s dimensional design. The pipeline is structured in four stages: raw data extraction and loading (data loader), enrichment and integration with static circuit and tyre catalogues (data enricher), feature engineering via a fuel consumption equation, and training of an XGBoost regression model to predict the fuel-adjusted lap time (FuelAdjustedLapTime). The target variable isolates tyre degradation from the fuel-weight effect, enabling a clean measure of the car’s underlying pace. Model accuracy is evaluated using mean absolute error (MAE) on 2025-season data. The results obtained lay the groundwork for a future strategic optimisation module capable of simulating a full race and mathematically recommending the optimal number and timing of pit stops.