Optimización de calendarios en ciclismo profesional mediante Transformer y algoritmos evolutivos

Este Trabajo de Fin de Grado propone una metodología innovadora para optimizar calendarios de competición en equipos ciclistas profesionales mediante la combinación de redes de tipo Transformer y algoritmos evolutivos multiobjetivo (NSGA-II). El sistema busca maximizar la acumulación de puntos UCI y equilibrar la carga competitiva entre corredores a lo largo de la temporada. Los modelos predictivos, entrenados con datos históricos (2021-2025) de perfiles de etapas (GPX), atributos de ciclistas y resultados, alcanzan un 77.9% de precisión para predecir si un corredor finalizará en el Top 50.

El algoritmo NSGA-II explora el espacio de soluciones generando un frente de Pareto. Las soluciones creadas incrementan la estimación de puntos UCI, así como la equidad respecto al calendario real del equipo entre enero y mayo de 2025. Aunque la validación empírica no confirma mejoras estadísticamente significativas frente a la planificación real, los resultados demuestran un alto potencial como herramienta de apoyo estratégico. El sistema identifica oportunidades en carreras subestimadas (p. ej. categorías 2.Pro/2.1) y prioriza corredores según su perfil. La solución, desarrollada con datos abiertos y técnicas reproducibles, ofrece una base escalable para la toma de decisiones basada en datos en contextos deportivos complejos.