Geri Dön

Yarış stratejilerinin optimizasyonu için makine öğrenmesi modelleri

Machine learning models for optimization of racing strategies

PDF İndir

  1. Tez No: 978893
  2. Yazar: ELNUR HUSEYNZADE
  3. Danışmanlar: PROF. DR. MEHMET ALİ CENGİZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Ondokuz Mayıs Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Veri Bilimi Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Formula 1 (F1) yarışlarında stratejik kararlar, performansın doğrudan belirleyicisi hâline gelmiştir. Bu bağlamda makine öğrenmesi (MÖ) tekniklerinin entegrasyonu, takımların veriye dayalı karar alma süreçlerini geliştirerek stratejik rekabet avantajı elde etmelerine olanak tanımaktadır. Bu tez çalışmasında, MÖ algoritmalarının F1 yarış stratejilerinin optimizasyonundaki rolü kapsamlı biçimde incelenmiştir. Özellikle lastik bileşimi geçişleri, tur performansının kümeleme temelli analizi, meteorolojik koşullara bağlı strateji uyarlamaları ve tur zamanı tahmini üzerine odaklanılmıştır. Çalışmanın ilk aşamasında, lastik bileşenlerinin yarış temposuna etkisini modellemek amacıyla Rastgele Orman Regresyonu kullanılmış; 40 turluk simülasyonlar aracılığıyla farklı bileşiklerin performansa etkisi analiz edilmiş ve model, Ortalama Kare Hata (MSE) değeri 4.41 ile makul bir doğruluk sergilemiştir. İkinci aşamada, McLaren pilotu Lando Norris'in 2024 Azerbaycan Grand Prix'sindeki tur performansı, K-Ortalamalar algoritması ile sektör zamanları, lastik tipi ve çevresel faktörler üzerinden kümelenmiş ve bu analiz, 0.75'lik bir Siluet skoru ile yüksek kümelenme başarısı göstermiştir. Üçüncü aşamada, hava durumu stratejilerinin optimizasyonu amacıyla geliştirilen Rastgele Orman Sınıflandırıcısı, yağış olasılığını %95,12 doğrulukla tahmin etmiştir. Modelde öznitelik önemi analizi, nem ve yağış gibi parametrelerin stratejik belirleyiciler olduğunu ortaya koymuştur. Son olarak, pist durumu, pit stoplar ve meteorolojik değişkenleri içeren özellik setiyle geliştirilen bir diğer Rastgele Orman Regresyon modeli, Ortalama Mutlak Hata (MAE) değeri 0.14 saniye ile tur süresi tahminlerinde yüksek isabet sağlamıştır. Elde edilen görselleştirme çıktıları, yarış içi olayların tur performansı üzerindeki etkilerini açıkça ortaya koymaktadır. Bu çalışma, makine öğrenmesi tabanlı analitik yaklaşımların, F1 yarış stratejilerinin veri temelli olarak optimize edilmesinde önemli katkılar sunduğunu göstermektedir. Lastik yönetimi, çevresel faktörlere adaptasyon ve tur zamanı tahmini gibi bileşenlerin bütüncül biçimde modellenmesi, yarış içi karar alma süreçlerinin doğruluğunu ve hızını artırmakta; bu da takımlara yüksek rekabet ortamında anlamlı avantajlar sağlamaktadır.

Özet (Çeviri)

The integration of machine learning (ML) techniques into Formula 1 (F1) racing has profoundly transformed strategic decision-making, enabling teams to enhance performance through data-driven approaches. This thesis systematically investigates the implementation of ML models to optimize race strategies, with a focus on tire compound transitions, lap performance clustering, weather-driven strategy adaptation, and predictive lap time modeling. In the first stage, Random Forest Regression is employed to model tire degradation effects by simulating lap times over a 40-lap horizon based on compound selection. The model achieved a Mean Squared Error (MSE) of 4.41, demonstrating reliable predictive accuracy. Next, the lap data of McLaren driver Lando Norris during the 2024 Azerbaijan Grand Prix is analyzed using K-Means clustering, grouping laps by sector times, tire type, and environmental conditions. The clustering model yielded a silhouette score of 0.75, indicating distinct performance patterns associated with tire usage and track behavior. For weather-based strategy optimization, a Random Forest Classifier is developed to predict rain occurrence with 95.12% accuracy. The model utilizes rolling averages of temperature and precipitation, integrated with tire data, and identifies humidity and rainfall trends as key predictive variables. Finally, another Random Forest Regression model is constructed to estimate lap times under varying race conditions including safety car deployments, pit stops, and weather dynamics. This model achieves a Mean Absolute Error (MAE) of 0.14 seconds, and visual comparisons confirm its effectiveness in identifying performance deviations due to race events. The findings underscore the utility of machine learning for real-time strategy optimization in Formula 1. By combining predictive modeling with contextual race variables, the proposed framework offers actionable insights into tire management, environmental adaptability, and performance forecasting. These results support the broader application of data-driven intelligence in high-stakes motorsport decision-making environments.

Benzer Tezler

  1. Tez No

    958874

    Building energy efficiency: A data-driven machine learning approach for energy optimization

    Bina enerji verimliliği: Enerji optimizasyonu için veriye dayalı makine öğrenmesi yaklaşımı

    AHMAD REZA DARABI

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilimi ve Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN

  2. Tez No

    965799

    Sürdürülebilir su kaynakları yönetimi için hibrit hidrolojik modellerin geliştirilmesi

    Developement of hybrid hydrological models for the sustainable water resources management

    PINAR GÖKÇE DURGUT

    Doktora

    Türkçe

    Türkçe

    2025

    İnşaat MühendisliğiPamukkale Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA TAMER AYVAZ

  3. Tez No

    982086

    Optimizasyon tabanlı bir su kaynakları sistemi modelleme aracının geliştirilmesi ve çok amaçlı sektörel tahsise uygulanması

    Development of an optimization-based modeling tool for water resources systems and application to multi-objective sectoral allocation

    SALİM YAYKIRAN

    Doktora

    Türkçe

    Türkçe

    2025

    Çevre Mühendisliğiİstanbul Teknik Üniversitesi

    Çevre Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALPASLAN EKDAL

  4. Tez No

    881376

    Drought prediction based on meteorological data using ensemble machine learning techniques

    Topluluk tabanlı makine öğrenmesi teknikleri kullanılarak meteorolojik verilere dayalı kuraklık tahmini

    ERTUĞRUL ÖZÜPEK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    MatematikGebze Teknik Üniversitesi

    Matematik Ana Bilim Dalı

    PROF. DR. NURİ ÇELİK

  5. Tez No

    847173

    Fake news classification using machine learning and deep learning approaches

    Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması

    SAJA ABDULHALEEM MAHMOOD AL-OBAIDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR

Geri Dön