Formula One 赛车策略中 tyre 能量可解释时间序列预测

Formula One（F1）赛车策略发生在 high-pressure and fast-paced 的环境中，where split-second decisions can drastically affect race results。Pit stop decisions（即更换车辆的 tyre）和 tyre compound（硬、medium 或 soft，取决于 normal conditions）的选择是两项 core decisions。optimal 的 pit stop decisions 可以通过估计这些 compound 的 tyre degradation 来确定，tyre degradation 又可以从 each tyre 所施加的 energy，即 tyre energy 来计算。在本 work 中，我们使用由 Mercedes-AMG PETRONAS F1 队的历史 race data 包括 telemetry 来训练 deep learning models，以预测比赛中的 tyre energy。此外，我们 also fitted XGBoost，一种基于 decision tree 的 machine learning algorithm，到相同的数据集并进行比较，两者均给出 impressive performance。Furthermore，我们还整合了两种不同的 explainable AI 方法，即 feature importance 和 counterfactual explanations，以 gain insights into forecasts 背后的 reasoning。Our contributions thus result in an explainable, automated method which could assist F1 teams in optimising their race strategy。