Πρόβλεψη και ανάλυση της απόδοσης σε αγώνες αυτοκίνητου Formula 1

Φλωράκης, Εμμανουήλ Ν.

dc.contributor.advisor	Πολίτης, Κωνσταντίνος
dc.contributor.author	Φλωράκης, Εμμανουήλ Ν.
dc.date.accessioned	2025-04-30T07:23:49Z
dc.date.available	2025-04-30T07:23:49Z
dc.date.issued	2025-04
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/17700
dc.description.abstract	Η Φόρμουλα 1, γνωστή και ως η κορυφή του μηχανοκίνητου αθλητισμού, συνδυάζει την αιχμή της τεχνολογίας με το ταλέντο παγκόσμιας κλάσης των οδηγών και τις στρατηγικές τακτικές των ομάδων, σε ένα άθλημα όπου τα χιλιοστά του δευτερολέπτου κάνουν τη διαφορά μεταξύ νίκης και ήττας. Καθώς οι αγώνες εξελίσσονται με απρόβλεπτο τρόπο λόγω των καιρικών συνθηκών, των στρατηγικών ελαστικών, των περιστατικών στην πίστα και της μεταβαλλόμενης απόδοσης των μονοθέσιων, η Φόρμουλα 1 προσφέρει ένα εύφορο πεδίο για ανάλυση δεδομένων. Οι ομάδες αξιοποιούν προηγμένα αναλυτικά εργαλεία για να μεγιστοποιήσουν τη στρατηγική τους, να βελτιώσουν την απόδοση του μονοθέσιου και να βελτιστοποιήσουν τα pit stops. Πέρα από αυτό, η αυξανόμενη διαθεσιμότητα δεδομένων αγώνων έχει δώσει τη δυνατότητα σε ερευνητές και αναλυτές να χρησιμοποιούν προηγμένες στατιστικές μεθόδους για την αναγνώριση τάσεων, την ανάλυση της απόδοσης οδηγών και ομάδων και την ανάπτυξη προγνωστικών μοντέλων. Μέσω της χρήσης της μηχανικής μάθησης και της εφαρμοσμένης στατιστικής, είναι δυνατό να ξεπεραστούν οι παραδοσιακές προσεγγίσεις κατανόησης των αγώνων και να αποκαλυφθούν βαθύτερα πρότυπα που ορίζουν την επιτυχία στο άθλημα. Η παρούσα διπλωματική εργασία εστιάζει στην εφαρμογή στατιστικών και μεθόδων μηχανικής μάθησης για τη μελέτη και πρόβλεψη της απόδοσης στους αγώνες της Φόρμουλα 1. Η έρευνα προηγείται από εκτενή προετοιμασία δεδομένων και δημιουργία χαρακτηριστικών, όπως διερευνητική ανάλυση μέσω περιγραφικών στατιστικών, ανάλυση συσχετίσεων και έλεγχοι κανονικότητας. Οι τεχνικές χρονοσειρών και παλινδρόμησης διευκολύνουν την παρακολούθηση και πρόβλεψη τάσεων απόδοσης μέσω ιστορικών δεδομένων. Η μείωση διαστατικότητας επιτυγχάνεται με την εφαρμογή της Ανάλυσης Κύριων Συνιστωσών (PCA) στο κεφάλαιο της μηχανικής μάθησης. Τα μοντέλα ταξινόμησης Random Forest και Support Vector Machines (SVM) χρησιμοποιούνται για την πρόβλεψη των αποτελεσμάτων των αγώνων. Τεχνικές συσταδοποίησης όπως τα K-Means και Ιεραρχική Συσταδοποίηση (Hierarchical Clustering) αναγνωρίζουν πρότυπα στην απόδοση των οδηγών. Τα αποτελέσματα αναδεικνύουν την αποτελεσματικότητα αυτών των μεθόδων στον εντοπισμό βασικών δεικτών απόδοσης και τάσεων, καταδεικνύοντας πώς οι στατιστικές και οι μεθοδολογίες μηχανικής μάθησης μπορούν να ενισχύσουν την κατανόησή μας γύρω από την ανάλυση του μηχανοκίνητου αθλητισμού, προσφέροντας δεδομενοκεντρική κατανόηση της απόδοσης και του ανταγωνισμού στους αγώνες.	el
dc.format.extent	223	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Πρόβλεψη και ανάλυση της απόδοσης σε αγώνες αυτοκίνητου Formula 1	el
dc.title.alternative	Prediction and analysis of performance in Formula 1 races	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης	el
dc.description.abstractEN	Formula 1 also known as the pinnacle of motorsport, combines cutting-edge technology with world-class driver talent and strategic team tactics in a sport where milliseconds will make all the difference between victory and defeat. As races unfold unpredictably according to weather, tire strategies, on-track mishaps and fluctuating car performance, Formula 1 presents a fertile field for data analysis. Teams utilize advanced analytics to maximize their race strategy, to improve car performance and optimize pit stops. Beyond that, the growing availability of race data has enabled researchers and analysts to utilize advanced statistical methods to find trends, to analyze driver and team performance and to develop predictive models. With the use of machine learning and applied statistics, it is possible to move beyond traditional race understandings and uncover deeper patterns that define success in the sport. The current thesis delves into the application of statistical and machine learning methods to study and predict Formula 1 racing performance. The research is preceded by extensive data preparation and feature creation, such as exploratory analysis via descriptive statistics, correlation analysis, and normality tests. Time series forecasting and regression techniques facilitate tracking and prediction of performance trends using historic data. Dimensionality reduction is achieved through implementation of Principal Component Analysis (PCA) in the machine learning chapter. Random Forest and Support Vector Machines (SVM) classification models are employed in the prediction of race outcomes. Clustering techniques such as K-Means and Hierarchical Clustering identify patterns in driver performance. The results demonstrate the effectiveness of these methodologies for determining key performance indicators and trends, outlining how statistical and machine learning methodologies used can enhance our understanding of motorsport analytics by providing data-driven insights into race performance and competitiveness.	el
dc.contributor.master	Εφαρμοσμένη Στατιστική	el
dc.subject.keyword	Data Analysis	el
dc.subject.keyword	Prediction	el
dc.subject.keyword	Timeseries	el
dc.subject.keyword	Classification	el
dc.subject.keyword	Clustering	el
dc.subject.keyword	Machine Learning	el
dc.subject.keyword	Regression	el
dc.subject.keyword	Formula 1	el
dc.date.defense	2025-04-11

Αρχεία σε αυτό το τεκμήριο

Name:: Florakis_mes22024.pdf
Μέγεθος:: 8.492Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα