# F1赛车预测系统：结合机器学习与本地LLM的赛事分析平台 > 介绍F1-race-predictor项目，一个使用FastF1数据预测F1比赛完赛名次的机器学习系统，集成梯度提升模型和本地LLM分析师，实现赛前预测和赛后结果对比分析。 - 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm) - 发布时间: 2026-03-28T15:37:11.000Z - 最近活动: 2026-03-28T15:56:37.293Z - 热度: 0.0 - 关键词: Formula 1, machine learning, sports prediction, FastF1, Gradient Boosting, LLM, Ollama, FastAPI, React, time series forecasting - 页面链接: https://www.zingnex.cn/forum/thread/f1-llm - Canonical: https://www.zingnex.cn/forum/thread/f1-llm - Markdown 来源: ingested_event --- # F1赛车预测系统：结合机器学习与本地LLM的赛事分析平台 ## 项目背景与动机 一级方程式赛车（Formula 1）作为世界顶级赛车运动，其比赛结果受到众多复杂因素影响：车手技术、赛车性能、轮胎策略、天气条件、赛道特性、安全车出动时机等。准确预测比赛结果一直是车迷和数据科学家感兴趣的挑战。 传统的F1预测主要依赖专家经验和简单统计，难以捕捉多因素间的复杂交互。随着机器学习技术的发展，数据驱动的预测方法展现出巨大潜力。F1-race-predictor项目正是这一趋势的代表，它将FastF1遥测数据、历史赛事记录与现代机器学习技术相结合，构建了一个完整的赛前预测系统。 项目的独特之处在于不仅提供数值预测，还集成了本地大语言模型（LLM）作为AI分析师，能够以自然语言解释预测背后的逻辑，让普通车迷也能理解数据科学的洞察。 ## 系统架构概览 F1-race-predictor采用清晰的分层架构，各组件职责明确： ### 数据层 **数据源**： - FastF1：提供官方遥测数据、排位赛成绩、圈速记录等 - Jolpica API：Ergast API的继任者，提供历史赛事元数据 **数据存储**： - SQL Server：本地开发数据库 - Supabase（PostgreSQL）：云端生产数据库 ### 模型层 **特征工程**：从原始数据中提取预测特征 **训练管道**：使用scikit-learn的梯度提升回归器 **模型持久化**：训练好的模型保存为pickle文件 ### 应用层 **后端API**：FastAPI提供RESTful接口 **前端界面**：React构建的交互式Web应用 **AI分析师**：通过Ollama本地运行的Mistral 7B模型 ## 核心功能特性 ### 赛前预测 系统在比赛开始前（排位赛结束后）预测每位车手的完赛名次。预测综合考虑以下因素： **排位赛表现**：排位赛成绩是预测的最强信号，发车位置与完赛位置高度相关 **近期状态**：车手和车队在最近几场比赛中的表现趋势 **赛道DNA**：每条赛道的历史数据揭示的特定规律（如某些赛道利于超车，某些赛道发车位置决定性强） **车队实力**：基于历史数据的车队竞争力评分 **赛季进程**：考虑赛季不同阶段的因素，如争冠压力、积分形势等 ### 预测准确性 项目在85场以上历史比赛（2022-2026赛季）上验证，取得了以下性能指标： | 指标 | 数值 | 说明 | |------|------|------| | MAE | 1.80位 | 平均预测误差1.8个名次 | | 3位内准确率 | 81.9% | 预测与实际相差3位以内的比例 | | 方向正确率 | 77.5% | 预测排名升降趋势正确的比例 | 在F1这样充满变数的运动中，这些指标表明模型具有较强的预测能力。考虑到比赛中常见的退赛、碰撞、策略失误等不可预测因素，平均误差不到2个位置是相当不错的表现。 ### AI分析师 系统的亮点功能是集成本地LLM作为AI分析师。当用户查看预测时，AI能够： - 用自然语言解释为什么某位车手被预测在该位置 - 分析影响预测的关键因素 - 讨论可能的策略选择和风险 - 对比历史类似场景 AI分析师基于Mistral 7B模型，通过Ollama在本地运行，无需联网即可使用，保护用户隐私的同时提供即时响应。 ### 预测归档与对比 系统会保存每次赛前预测，并在比赛结束后与实际结果对比。这种闭环反馈机制： - 帮助用户验证模型准确性 - 积累数据用于持续改进模型 - 提供历史预测查询功能 ## 技术实现细节 ### 特征工程 特征工程是预测系统的核心。项目从多个维度构建特征向量： **车手特征**： - 本赛季平均完赛位置 - 最近5场比赛平均位置 - 生涯在该赛道的平均成绩 - 本赛季退赛次数 **车队特征**： - 车队竞争力评分（基于历史数据） - 本赛季车队积分排名 - 最近比赛车队表现趋势 **赛道特征（Track DNA）**： - 赛道超车难度指数 - 发车位置对完赛位置的影响系数 - 赛道特性标签（高速/技术型/街道赛等） **比赛情境特征**： - 排位赛成绩 - 与杆位的差距 - 赛季阶段（早期/中期/收官） - 天气条件 ### 模型选择与训练 项目选用梯度提升回归器（Gradient Boosting Regressor）作为核心模型，原因包括： - **处理非线性关系**：能够捕捉特征间的复杂交互 - **特征重要性**：自动计算各特征的重要性，便于解释 - **鲁棒性**：对异常值和缺失值有较好的处理能力 - **性能**：在结构化数据上通常优于简单线性模型 训练数据涵盖2022-2026赛季的85场以上比赛，使用滑动窗口验证避免数据泄露。 ### 数据管道工作流 项目设计了完整的数据处理管道： **初始化阶段**（首次运行）： 1. `data_loader.py`：从FastF1拉取历史比赛数据（首次约需20-30分钟） 2. `build_track_dna.py`：基于历史数据构建赛道特征 3. `feature_engineering.py`：生成训练特征 4. `train_model.py`：训练预测模型 **每周比赛流程**： *排位赛后（周六）*： 1. `fetch_quali_jolpica.py`：获取排位赛官方成绩 2. 如Jolpica数据未及时更新，使用`manual_entry.py`手动输入 3. 重新运行特征工程和训练 4. `migrate_to_supabase.py`：推送数据到云端 5. 调用API保存赛前预测 *比赛后（周日）*： 1. 重新拉取比赛结果 2. `update_context.py`：更新动态上下文 3. 重新训练模型以纳入最新数据 ## 项目结构与代码组织 ``` F1/ ├── api/ # FastAPI后端 │ ├── main.py # API端点定义 │ └── requirements.txt # Python依赖 ├── frontend/ # React前端 │ └── src/ │ ├── App.js # 主应用组件 │ └── App.css # 样式 ├── scripts/ # 数据处理脚本 │ ├── data_loader.py # 数据加载 │ ├── feature_engineering.py # 特征工程 │ ├── train_model.py # 模型训练 │ ├── predict.py # 预测生成 │ ├── build_track_dna.py # 赛道特征构建 │ ├── fetch_quali_jolpica.py # 排位赛数据获取 │ ├── update_context.py # 上下文更新 │ └── migrate_to_supabase.py # 数据库迁移 ├── data/ # 数据文件 │ ├── f1_context_static.json # 静态上下文 │ └── f1_context_dynamic.json # 动态上下文 ├── models/ # 模型文件 │ └── f1_model.pkl # 训练好的模型 └── docs/ # 文档 ├── DATA.md # 数据管道文档 ├── MODEL.md # 模型文档 ├── CHATBOT.md # AI分析师文档 └── ROADMAP.md # 路线图 ``` 这种组织方式清晰分离了关注点：数据处理、模型训练、API服务和前端展示各自独立，便于维护和扩展。 ## 快速开始指南 ### 环境要求 - Python 3.10+ - Node.js 18+ - SQL Server Management Studio（或使用SQLite作为替代） - Ollama（本地LLM运行环境） ### 安装步骤 1. **克隆仓库**： ```bash git clone https://github.com/kavin2006-spec/F1-race-predictor.git cd F1-race-predictor ``` 2. **配置Python环境**： ```bash python -m venv .venv .venv\Scripts\activate # Windows pip install -r requirements.txt ``` 3. **配置环境变量**： 创建`.env`文件，添加数据库连接字符串： ``` DATABASE_URL=your_supabase_connection_string ``` 4. **初始化数据**（首次运行约需20-30分钟）： ```bash python scripts/data_loader.py python scripts/build_track_dna.py python scripts/feature_engineering.py python scripts/train_model.py ``` 5. **启动后端服务**： ```bash cd api uvicorn main:app --reload ``` 6. **启动前端应用**： ```bash cd frontend npm install npm start ``` 访问`http://localhost:3000`即可使用应用。 ### 配置AI分析师 确保已安装Ollama并拉取模型： ```bash ollama pull mistral ``` ## 实际应用场景 ### 车迷互动 车迷可以在每场比赛前使用系统生成预测，与朋友的猜测对比，增加观赛乐趣。AI分析师的解释功能帮助用户理解数据背后的逻辑，提升F1知识。 ### fantasy联赛辅助 对于参与F1 fantasy联赛的玩家，系统的预测可作为阵容选择的参考。虽然不应完全依赖模型，但它提供的量化分析有助于做出更明智的决策。 ### 数据新闻 体育媒体可以使用系统生成数据驱动的赛前分析文章，AI分析师能够生成自然语言叙述，减轻记者工作负担。 ### 教学示例 项目完整展示了从数据获取到模型部署的机器学习项目全流程，适合作为数据科学和机器学习的教学案例。 ## 局限性与改进方向 ### 当前局限 **数据延迟**：排位赛数据依赖第三方API，有时更新不及时，需要手动输入作为备选方案。 **不可预测因素**：比赛中常见的碰撞、机械故障、安全车出动等事件难以预测，会影响预测准确性。 **模型简化**：当前模型未考虑实时策略决策（如进站时机、轮胎选择），这些是F1比赛的关键变量。 **单一模型**：所有赛道使用同一模型，未针对特定赛道训练专门模型。 ### 未来改进 根据项目路线图（ROADMAP.md），计划中的改进包括： **实时数据集成**：接入比赛期间的实时遥测数据，支持动态预测更新 **策略建模**：增加进站策略、轮胎管理的预测模块 **集成学习**：尝试XGBoost、LightGBM、神经网络等多种模型，通过集成提升准确性 **天气敏感性**：增强天气条件对预测影响的建模 **历史对比**：增加更多历史数据对比和趋势分析功能 ## 技术栈选择分析 项目的技术栈选择体现了实用主义原则： **Python + scikit-learn**：成熟稳定的机器学习生态，适合结构化数据的回归任务 **FastAPI**：现代Python web框架，自动生成API文档，异步支持良好 **React**：前端生态丰富，组件化开发提升效率 **Ollama + Mistral**：本地LLM部署方案，保护隐私，响应快速，无需API费用 **Supabase**：开源Firebase替代，提供PostgreSQL数据库和实时订阅功能 这种技术组合平衡了开发效率、性能和成本，适合个人项目和小团队开发。 ## 关于AI辅助开发 项目作者在文档中坦诚地说明了开发过程：Claude（Anthropic的AI助手）作为编程伙伴提供了架构建议、调试帮助和代码生成。作者将这一过程比作建筑师与建筑工人的关系——人类负责设计和决策，AI负责实现细节。 这种开发方式反映了现代软件工程的趋势：AI工具提升了开发效率，让开发者能专注于更高层次的问题（做什么、为什么做），而将实现细节（怎么做）交给AI辅助。关键在于开发者仍需理解系统的每个部分，能够独立重构和维护代码。 对于学习者和教育者，这种透明态度具有重要价值：它展示了AI辅助开发的最佳实践，也提醒学习者在使用AI工具时保持批判性思维，确保真正理解所构建的系统。 ## 总结与展望 F1-race-predictor项目展示了一个完整的数据科学应用从概念到部署的全过程。它将F1这一充满激情的运动与机器学习的技术严谨相结合，既满足了车迷的兴趣，又提供了实用的预测工具。 项目的成功之处在于： - 清晰的问题定义和可衡量的目标 - 完整的数据管道和自动化工作流 - 合理的模型选择和特征工程 - 创新的AI分析师功能提升用户体验 - 良好的文档和代码组织 随着F1数据生态的完善和机器学习技术的进步，类似系统将在体育分析领域发挥越来越重要的作用。F1-race-predictor为这一领域提供了一个优秀的参考实现，值得数据科学爱好者和F1车迷探索学习。