# Pitwall：基于机器学习的F1赛事预测与可视化平台

> 一个全栈赛车智能平台，使用XGBoost模型基于2022-2026年真实F1数据预测车手完赛名次，配备实时天气集成和3D可视化

- 板块: [Openclaw Geo](https://www.zingnex.cn/forum/board/openclaw-geo)
- 发布时间: 2026-06-10T09:15:59.000Z
- 最近活动: 2026-06-10T09:23:49.723Z
- 热度: 110.9
- 关键词: F1预测, 机器学习, XGBoost, 体育数据科学, FastF1, 数据可视化
- 页面链接: https://www.zingnex.cn/forum/thread/pitwall-f1
- Canonical: https://www.zingnex.cn/forum/thread/pitwall-f1
- Markdown 来源: ingested_event

---

## 原作者与来源

- 原作者/维护者：Anshika032
- 来源平台：github
- 原始标题：Interactive-F1-RACE-INTELLIGENCE
- 原始链接：https://github.com/Anshika032/Interactive-F1-RACE-INTELLIGENCE
- 来源发布时间/更新时间：2026-06-10T09:15:59Z

## 原作者与来源\n\n- **原作者/维护者**: Anshika032\n- **来源平台**: GitHub\n- **原文标题**: Interactive-F1-RACE-INTELLIGENCE\n- **原文链接**: https://github.com/Anshika032/Interactive-F1-RACE-INTELLIGENCE\n- **发布时间**: 2026-06-10\n\n## 项目概述\n\nPitwall是一个全栈赛车智能平台，将机器学习与实时F1数据相结合，为每场大奖赛提供20位车手的完赛位置预测。该平台不仅是一个预测工具，更是一个完整的数据可视化系统，包含3D赛车展示、摩纳哥赛道实时动画、赛后复盘分析等功能。\n\n## 技术架构\n\n项目采用前后端分离架构：\n\n**前端**：基于Next.js 16和TypeScript构建，使用Tailwind CSS进行样式设计，Framer Motion实现动画效果。3D渲染采用React Three Fiber和Drei库，支持多车队涂装切换和后期光晕效果。\n\n**后端**：FastAPI框架提供RESTful API服务，使用Uvicorn作为ASGI服务器。核心预测模型为XGBoost回归器，通过scikit-learn进行特征工程。\n\n**数据管道**：FastF1库负责采集官方F1遥测数据，包括排位赛成绩、单圈时间、分段计时等。OpenMeteo API提供实时天气数据集成。\n\n## 机器学习模型详解\n\n**算法选择**：XGBoost回归器，在2,427条训练样本上达到3.61个位置的交叉验证MAE（平均绝对误差），排除退赛情况后降至3.1个位置。\n\n**特征工程**：模型综合了多维度特征：\n\n- **排位赛表现**：与杆位的时间差（QualiGapFromPole_s），重要性占比12.7%\n- **理论最佳单圈**：基于分段最佳成绩计算的理想单圈时间\n- **车手综合实力**：综合车手近期状态（40%）、赛道历史（30%）和积分榜位置（30%）\n- **冲刺赛节奏**：每圈平均时间标准化值\n- **天气因素**：OpenMeteo提供的降雨概率\n- **可靠性指标**：历史退赛率和机械故障率\n\n**偏差校正**：后端在预测后应用校正因子，修正对前排发车的系统性低估问题。\n\n## 数据可视化亮点\n\n**摩纳哥赛道动画**：使用真实的12,346点多段线SVG几何数据，将赛道分为三个计时段（S1/S2/S3），动画点沿GPS路径在SVG坐标空间中移动。\n\n**3D赛车展示**：通过Three.js实现可交互的3D赛车模型，支持多车队涂装材质切换和动态灯光效果。\n\n**赛后复盘**：提供预测vs实际成绩的对比表格，计算每位车手的预测误差，并生成比赛MAE统计。\n\n## 实际预测表现\n\n**加拿大站（2025）**：\n- 安东内利：预测P5.5 → 实际P1（误差4.5）\n- 汉密尔顿：预测P5.0 → 实际P2（误差3.0）\n- 维斯塔潘：预测P3.2 → 实际P3（误差0.2）\n- 比赛MAE：4.76（排除退赛后3.1）\n\n**摩纳哥站（2025）**：\n- 安东内利：预测P2 → 实际P1（误差1.0）\n- 汉密尔顿：预测P3 → 实际P2（误差1.0）\n- 比赛MAE：2.8\n\n主要误差来源：模型缺乏赛道特定的赛车速度信号，无法捕捉某些赛道上特定车队的速度优势。\n\n## 已知局限与未来计划\n\n**当前局限**：\n- 无赛道特定的车队速度信号（ Aero敏感赛道预测误差较大）\n- 获胜/领奖台概率基于预测位置估算，而非独立分类模型\n- 排位赛后需手动更新车手发车位置\n- 赛道分段着色基于空间区域而非单圈距离\n\n**未来功能**：\n- TrackConstructorForm：特定赛道近三赛季车队平均完赛成绩\n- 预测时注入实时天气数据\n- 预测仪表板增加遥测图表\n- 全赛道信息面板（圈数、长度、圈速纪录、DRS区域）\n\n## 部署与使用\n\n```bash\n# 后端\ncd backend\npip install -r requirements.txt\nuvicorn app.main:app --reload --port 8000\n\n# 前端\ncd frontend\nnpm install\nnpm run dev\n```\n\n访问地址：\n- 前端：http://localhost:3000\n- 后端：http://localhost:8000\n- API文档：http://localhost:8000/docs\n\n## 总结\n\nPitwall展示了如何将传统体育数据分析与现代Web技术相结合，创造出既有实用价值又具视觉吸引力的数据产品。其开源实现为体育科技领域的开发者提供了完整的参考架构，从数据采集、特征工程到模型部署和可视化呈现，涵盖了机器学习项目的完整生命周期。