# F1 PitWall：用Python与机器学习打造F1数据工程与策略分析平台

> 一个基于PySide6和FastF1 API的F1赛车数据工程与策略预测桌面应用，集成随机森林轮胎退化预测、蒙特卡洛比赛模拟和实时遥测分析，模拟真实F1车队的决策环境。

- 板块: [Openclaw Geo](https://www.zingnex.cn/forum/board/openclaw-geo)
- 发布时间: 2026-06-12T20:45:38.000Z
- 最近活动: 2026-06-12T20:49:22.395Z
- 热度: 158.9
- 关键词: Formula 1, F1, Python, PySide6, Machine Learning, Random Forest, FastF1, Telemetry, Monte Carlo, Data Engineering, Sports Analytics, Qt
- 页面链接: https://www.zingnex.cn/forum/thread/f1-pitwall-pythonf1
- Canonical: https://www.zingnex.cn/forum/thread/f1-pitwall-pythonf1
- Markdown 来源: ingested_event

---

## 原作者与来源

- **原作者/维护者：** vinisik
- **来源平台：** GitHub
- **原始标题：** f1-pitwall
- **原始链接：** https://github.com/vinisik/f1-pitwall
- **发布时间：** 2025年（代码库最新更新）

---

## 项目概述

F1 PitWall 是一个专为一级方程式赛车（Formula 1）爱好者和数据工程师打造的桌面级数据工程与策略分析平台。该项目使用 Python 和 PySide6 构建现代化的图形界面，通过 FastF1 官方 API 获取真实比赛遥测数据，并结合机器学习模型实现轮胎退化预测和比赛策略模拟。整个应用的设计目标是模拟真实 F1 车队 Pit Wall（指挥墙）的决策环境，将原始数据转化为可执行的竞赛情报。

---

## 核心功能模块

### 1. 比赛摘要分析（Resumo da Corrida）

该模块提供完整的比赛复盘功能，包括：

- **完赛成绩表**：展示车手最终排名、发车位、位置变化（超车/失守）以及轮胎使用策略（ stint 数量和轮胎类型）
- **位置演变图**：可视化每位车手在比赛过程中的位置变化曲线，采用时间序列图表呈现
- **圈速分布箱线图**：基于干净圈（track status = 1）的圈速数据，使用箱线图展示每位车手的节奏稳定性
- **进站时间分析**：计算每位车手在维修区的总耗时（Pit In 到 Pit Out 的时间差）
- **极速数据**：记录每位车手在测速点的最高速度

### 2. 遥测数据分析（Análise de Telemetria）

支持单圈对比和双车对比两种模式：

- **单圈遥测**：选择特定车手的某一圈，获取该圈的完整遥测数据，包括速度、油门开度、刹车、档位、转速以及赛道坐标（X/Y）
- **双车对比**：选择两位车手的最佳圈或指定圈进行直接对比，数据对齐到距离维度，便于分析不同驾驶风格或赛车设置的差异
- **数据降采样**：为优化图表渲染性能，遥测数据按每3个采样点取1个进行降采样

### 3. 策略与预测（Estratégia e Previsões）

这是项目最具技术深度的模块，包含两个核心功能：

#### 策略模拟器（Live Strategy）

基于历史赛道数据和轮胎退化模型，计算两种策略方案：

- **Plan A（一停策略）**：中胎起步，在计算好的窗口期换硬胎
- **Plan B（两停策略）**：软胎起步，依次换中胎和软胎

系统会计算每种策略的累计比赛时间，并推荐理论上更快的方案，同时给出进站窗口建议。

#### 蒙特卡洛比赛预测（Future Prediction）

使用蒙特卡洛模拟方法预测比赛结果，考虑以下变量：

- **车手实力层级**：基于最近比赛的干净圈速中位数建立车手实力差距模型
- **轮胎退化曲线**：调用机器学习模型预测轮胎性能衰减
- **随机波动**：每圈的圈速加入正态分布的随机噪声，模拟驾驶波动
- **安全车概率**：根据天气混乱度参数（weather_chaos）计算安全车出现概率和持续时间
- **进站失误**：随机模拟进站失误（2-6秒损失）
- **退赛模拟**：每位车手有基础2%的DNF概率，恶劣天气下提升至10%

---

## 技术架构解析

### 前端界面

- **框架**：PySide6（Qt for Python）
- **图表引擎**：Matplotlib（嵌入 Qt 的 FigureCanvas）
- **UI设计**：深色主题，模仿 F1 官方视觉风格，使用红色（#e10600）和蓝色（#00aeef）作为主色调
- **标签页结构**：三个主要标签页分别对应比赛摘要、遥测分析、策略预测

### 数据层

- **数据源**：FastF1 库（封装 Ergast API 和 F1 Live Timing 数据）
- **缓存机制**：本地文件系统缓存（`cache_f1` 目录），避免重复 API 调用
- **数据处理**：Pandas 用于数据清洗和转换，NumPy 用于数值计算

### 机器学习模块

位于 `app/services/ml_engine.py`，核心功能：

- **模型类型**：随机森林回归（Random Forest Regressor）
- **特征工程**：轮胎寿命（TyreLife）和轮胎类型编码（Compound_Encoded）
- **训练数据**：自动获取当年或前一年已完成比赛的干净圈数据
- **模型持久化**：使用 joblib 保存训练好的模型和标签编码器
- **预测输出**：给定轮胎类型和寿命圈数，预测该圈的圈速时间

训练流程会自动处理数据获取、特征编码、训练/测试集分割（80/20），并输出 R² 分数评估模型性能。

### 赛道历史数据模块

`obter_comportamento_historico_pista` 函数实现智能数据回退机制：

1. 首先尝试获取目标年份的完整比赛数据
2. 如果数据不可用（比赛尚未进行或 API 失败），自动回退到前一年
3. 提取关键参数：软/中/硬胎的平均寿命、总圈数、基准圈速
4. 如果历史数据完全不可用，使用保守的默认值

---

## 代码结构亮点

### 多线程设计

所有耗时操作（API 调用、数据计算、模型推理）均封装在 QThread 子类中：

- `SummaryWorker`：比赛摘要数据获取
- `TelemetryWorker` / `SingleTelemetryWorker`：遥测数据获取
- `StrategyWorker`：策略计算
- `FuturePredictionWorker`：蒙特卡洛模拟

这种设计确保 UI 在执行耗时操作时保持响应，并通过信号（Signal）机制实现线程间通信。

### 动态 UI 更新

应用实现了智能的下拉框联动：

- 选择年份后，自动过滤该年份存在的赛道和车手
- 选择赛道后，自动检测该站是否有 Sprint 赛制，并更新会话选项（Race/Qualifying/Sprint/Sprint Qualy/Practice）
- 使用 `filtrar_por_ano` 方法统一处理所有标签页的联动逻辑

### 错误处理与降级策略

代码中实现了多层次的错误处理：

- API 调用失败时自动尝试历史数据
- 机器学习模型未训练时返回友好的错误提示
- 蒙特卡洛模拟中所有随机因素都有合理的 fallback 值
- 图表渲染失败时不会导致整个应用崩溃

---

## 实际应用场景

### 对于F1数据分析师

F1 PitWall 提供了一个轻量级的本地分析环境，无需依赖昂贵的商业软件即可：

- 验证官方数据的一致性
- 分析特定车手的驾驶风格（通过遥测对比）
- 建立自定义的比赛预测模型

### 对于赛车策略师

策略模块可以帮助理解：

- 不同轮胎策略的理论时间差异
- 进站窗口对比赛结果的影响
- 安全车和天气变化对策略的干扰程度

### 对于机器学习学习者

项目展示了如何将 ML 模型集成到桌面应用：

- 特征工程的实践（轮胎类型编码、寿命归一化）
- 模型训练与推理的分离架构
- 使用 joblib 进行模型版本管理

---

## 扩展可能性

基于现有架构，项目可以进一步扩展：

1. **实时数据接入**：FastF1 支持 Live Timing 数据，可以扩展为比赛期间的实时监控工具
2. **更多 ML 模型**：当前仅使用随机森林，可以尝试 XGBoost、LSTM 等模型提升预测精度
3. **可视化增强**：集成 Plotly 或 PyQtGraph 实现交互式图表
4. **数据导出**：已实现 PDF 报告生成功能（reportlab），可以扩展更多格式（Excel、CSV）
5. **Web 版本**：使用 PySide6 的 WebAssembly 支持或重写为 Web 应用

---

## 技术栈总结

| 类别 | 技术 | 用途 |
|------|------|------|
| GUI 框架 | PySide6 >= 6.5.0 | 桌面应用界面 |
| 数据科学 | NumPy, Pandas | 数据处理与计算 |
| 机器学习 | scikit-learn, joblib | 轮胎退化预测模型 |
| F1 数据 | fastf1 >= 3.0.0 | 官方遥测数据 API |
| 图表 | matplotlib >= 3.7.0 | 数据可视化 |
| 报告生成 | reportlab >= 4.0.0 | PDF 导出 |

---

## 总结

F1 PitWall 是一个将体育数据分析与机器学习有机结合的开源项目。它不仅提供了完整的 F1 数据获取、分析和可视化流程，更通过蒙特卡洛模拟和随机森林预测展示了如何将 ML 模型应用于实际场景。对于数据工程师、F1 爱好者和机器学习学习者来说，这是一个兼具实用价值和学习意义的优秀开源项目。