Ich habe ein einfaches Simulationsmodell erstellt, um die Rennergebnisse für den bevorstehenden GP von Suzuka abzuschätzen.
Das Modell führt 3.000 Simulationen durch und schätzt Sieg- und Podiumswahrscheinlichkeiten basierend auf:
– Streckeneigenschaften (z. B. schnelle Kurven, Traktion)
– Fahrer- und Teamleistung
– Grundlegende Zuverlässigkeitsannahmen (DNF-Wahrscheinlichkeit)
Angesichts der geringen Stichprobengröße zu Beginn der Saison sollte dies eher als exploratives Modell und nicht als genaue Vorhersage betrachtet werden.
Bei Interesse teile ich gerne weitere Einzelheiten mit.
Von filipeoliveira77
3 Kommentare
Source: Combination of publicly available F1 data (race results, lap times, and performance trends) using Python (including FastF1 where applicable).
Tool: Python for simulation (Monte Carlo ~3,000 runs) and Power BI for visualization. Some elements (like the podium) were built using HTML/CSS inside Power BI.
Method:
The model simulates race outcomes based on:
– track characteristics (e.g. high-speed layout, traction demands)
– recent driver and team performance
– simple reliability assumptions (DNF probability)
Given the early stage of the season, the dataset is still limited, so this should be seen as an exploratory model rather than a precise prediction.
I don’t know how impressive this is but it doesn’t fit this sub because that’s a 3 bar chart. Not beautiful. Just 3 bars.
I’m sorry but it’s going to look like this:
P1 Russell
P2 Antonelli
P3 Leclerc