CSEの学生として取り組んでいる個人的なプロジェクト: F1Predict、レースのシミュレーションと戦略インテリジェンスシステム。
アーキテクチャの概要:
- 決定論的ラップタイムエンジン（タイヤの経年、燃料搭載量、DRS、交通）をベースラインとして
- LightGBM 残差モデルを、過去のテレメトリデータを用いてペースのデルタを補正 — モンテカルロ実行前のドライバープロファイル生成へ組み込む
- 10,000回の反復モンテカルロ法が、各ドライバー・各レースごとにP10/P50/P90分布を生成
- 補助的なセーフティカー危険度分類器（1周ウィンドウごと）を用いてシミュレーション内のSC確率を調整
- パイプライン内の特徴量のバージョニング: タイヤの経年 × コンパウンド、予選デルタ、セクター分散、DRS作動率、トラック進化係数、天候デルタ
- ウェブの応答時間を妥当な範囲に保つため、400回の反復で実行される戦略最適化（メインMCエンジンとは別系統）
MLレイヤーは訓練済みアーティファクトが存在しない場合には適切に劣化し、シミュレーションは決定論的なベースラインへクリーンにフォールバックします。Redisは正規化されたリクエストのsha256をキーとして結果をキャッシュします。
現時点の制限: v1の残差アーティファクトはより広い歴史データセットでのトレーニングを継続中のため、MLと決定論的パスの出力は現状では接近しています。足場づくりとガバナンスは整っています。
スタック: Python · FastAPI · LightGBM · FastF1 · Supabase · Redis · React/TypeScript
リポジトリ: https://github.com/XVX-016/F1-PREDICT
モデリング手法や特徴量エンジニアリングの選択、あるいはアーキテクチャ的に問題がある点についても喜んで議論します。これは学習プロジェクトであり、技術的なフィードバックを心から評価します。
[リンク] [コメント]
