F1 race simulator

Abstract

This thesis presents the design and implementation of a real-time Formula 1 strategy simulator, built on state-of-the-art Transformer architectures, to enable dynamic, data-driven decision-making during a Grand Prix. The project explores how Transformer models, originally developed for language processing, can be adapted to predict and optimize race strategies using sequential motorsport data. The simulator relies on two specialized models: the PitStopTransformer, which predicts the optimal lap to pit, and the CompoundTransformer, which selects the most appropriate tyre compound. Both models are based on the Transformer architecture, incorporating multi-head attention, positional encoding and feed-forward layers to capture complex temporal patterns and race dynamics. Data is sourced from Fast F1 for historical records and Open F1 for real-time telemetry. Lap-by-lap features such as laps times, gaps, weather and strategy phase are processed through a PostgreSQL database and structured into sequences for TensorFlow pipelines. Live deployment confirms the system’s ability to generate accurate, low-latency predictions during evolving race scenarios. The simulator adapts to events like tyre degradation or Safety Cars, offering strategic insights as conditions change. By combining mathematical rigor with cutting-edge architecture, this work delivers a scalable tool for real-time race strategy, bridging theoretical machine learning and applied motorsport analytics.

Aquesta tesi presenta el disseny i la implementació d’un simulador d’estratègia en temps real per a la Fórmula 1, construït sobre arquitectures Transformer d’última generació per permetre una presa de decisions dinàmica i basada en dades durant un Gran Premi. El projecte explora com els models Transformer, inicialment desenvolupats per al processament del llenguatge, poden adaptar-se per predir i optimitzar estratègies de cursa a partir de dades seqüencials del món del motor. El simulador es basa en dos models especialitzats: el PitStopTransformer, que prediu la volta òptima per fer una parada, i el CompoundTransformer, que selecciona el compost de pneumàtic més adequat segons les condicions actuals. Ambdós models parteixen de l’arquitectura Transformer, incorporant mecanismes com l’atenció multi-capçal, les codificacions posicionals i les xarxes feed-forward per capturar patrons temporals complexos i la dinàmica estratègica de la cursa. Les dades provenen de Fast F1, que ofereix registres històrics i d’Open F1, que aporta telemetria en temps real. Variables com els temps per volta i el clima s’emmagatzemen en una base de dades PostgreSQL i es transformen en seqüències per a TensorFlow. Les proves en directe confirmen que el sistema pot generar prediccions precises i ràpides en contextos canviants. El simulador reacciona a situacions com degradació extrema o Safety Car, ajustant les decisions estratègiques en temps real amb un model sòlid i escalable. Combinant les matemàtiques amb una arquitectura d’avantguarda, aquesta tesi ofereix una eina per a l’estratègia en temps real, a mig camí entre la teoria i la pràctica del motorsport.