我是一名CSE学生，开发了F1Predict，一个Formula 1赛车模拟和策略平台，该平台作为个人项目。

\*\*什么我的项目做\*\*

F1Predict使用一个决定物理基准的环道时间引擎，模拟了Formula 1的赛车策略。 其中采用了LightGBM残差校正模型层，且一个10,000迭代的蒙特卡罗引擎生成了P10/P50/P90置信区间每个司机。您可以调整胎条退化、燃料燃烧率、安全车.probability 和天气变化，然后运行并排策略比较（车胎一站A和B在相同的种子下，所以delta 有意义）。

还有一套基于FastF1的航班数据回放系统、安全车危险分类器，每一圈窗口。以及完整的React / TypeScript前端。

Python 方面特别是：

\- FastAPI后端与Redis缓存交联，使用sha256的规范化请求载荷
\- FastF1 进行天航班数据聚合，通过 GitHub Actions 的夜间工作流程上传到 Supabase 存储
\- LightGBM 模块分层，带有版本化特征：胎条年龄 * 弹块，扦区变化率，DRS 激活率，赛道演进系数，外圈速度差，气象条件差异
\- 执行单独的400步策略优化，以保持API回复速度合理
\- 当Redis未可用，或未获得MLartifact时，进行柔顺失效，清洁fallback到确定性基准

\*\*对像目标\*\*

这不是生产环境，也不是与 Formula 1 任何关联。它对 Formula 1 的爱好者或对结合物理的模拟与 ML 残差校正的人来说有吸引力。 如果你想在本地运行或扩展它，可以访问完全开源源码。

\*\*比较\*\*

在使用F1策略工具领域发现，主要有闭合商业系统(实际团队使用)、简单的电子表格模型或者纯的 ML 方法。F1Predict 却位于不同的位置：决定 physics 引擎控制已知参数（胎条退化曲线、燃料装载差异、停车点损失），而LightGBM 层只对预测步错误进行了校正。因此，模拟解释性更强，更加可读，你可以看到 lap 时变数为什么而改变。FastF1 使得航班数据聚合成为单一学生项目可能的，几个年头以前就不太可能了。

Repo:[https://github.com/XVX-016/F1-PREDICT]

Live:[https://f1.tanmmay.me]

很高兴地讨论你要FastF1管道、缓存方法，还是 ML 构架。 欢迎反馈。