骑行表现预测：预估比赛需求

骑行表现预测的能与不能

骑行表现预测很有用，因为它在骑行开始前提出了一个简单的问题：这次骑行实际需要付出多少努力？

这听起来很明显，但大多数糟糕的比赛计划都源于模糊的思考。骑行者说爬坡可以应付，计时赛适合他们，或者团体骑行应该没问题。然后，道路暴露了信念与需求之间的差距。

一个好的预测并不能告诉你到底会发生什么。它无法知道对手何时进攻，侧风在哪里袭来，路面是否缓慢，或者你在比赛后期如何应对压力。它能做的是缩小可能结果的范围。它可以显示所需功率是否现实，配速计划是否与地形匹配，以及你当前的体能储备是否支持目标。

目标不是确定性。目标是减少自作自受的错误。

对于数据驱动的耐力运动员来说，最好的骑行表现模型不是最复杂的。它是将你的实际生理状况与实际路线联系起来，然后通过已完成的骑行进行测试的模型。这种反馈循环比任何精美的电子表格都重要。

重要的输入：功率、体重、疲劳、路线和天气

大多数有用的预测工作都从一小组输入开始。

功率

功率是核心，因为它衡量的是你产生的功，而不是你碰巧获得的速度。速度受风、跟车、路面、坡度、姿势和设备的影响。功率仍然不完美，但它是最清晰实用的信号。

关键是根据需求使用正确的功率值。稳定的爬坡与起伏的公路赛要求不同。技术性计时赛与平稳的计时赛要求不同。如果你的模型对所有场景都使用一个单一的数字，那它可能过于自信了。

从你当前可持续的功率开始，而不是你上传过的最佳文件。如果你需要一个基线，可以使用FTP估算值作为起点，然后用最近的努力进行交叉检查。将这个数字视为一个工作假设，而不是一个永久的身份。

体重

当重力是主要需求时，体重最重要。在平坦地形上，空气动力阻力和战术位置通常占主导地位。在爬坡时，身体质量和设备质量变得更难隐藏。

错误在于将体重视为道德分数，而不是表现输入。如果路线多爬坡，功率体重比值得关注。如果路线快速且暴露，姿势、配速和保持遮蔽的能力可能更重要。

预测应该反映赛道，而不是对“越轻越好”的普遍痴迷。

疲劳

疲劳改变了相同功率数字的含义。一个在体能充沛时现实的目标，在经历了一段艰苦的训练、睡眠不足、旅行、热应激或反复冲刺后，可能会变成幻想。

这就是骑行功率数据分析必须超越最佳努力的地方。相关问题不仅是你单独能做什么。而是你在赛事将创造的条件下能做什么。

最近的训练负荷、主观体能、肌肉酸痛和最近高强度训练的质量都很重要。没有什么是完美的。它们共同为你提供了比来自完全不同训练阶段的单一英雄式努力更好的解读。

路线

赛道决定了功率的输出方式。平稳的爬坡奖励稳定的输出。爆发力强的路线奖励重复性。如果技术性下坡反复打乱节奏，它可能会降低爬坡力量的优势。平坦的公路赛可能比纯粹的阈值功率更奖励位置。

在尝试预测骑行比赛表现之前，将路线分为需求类型：

需要配速纪律的持续爬坡
需要可重复高功率的短爬坡或坡道
需要跟车和位置的平坦或起伏路段
需要加速成本和操控的技术区域
风向可能重塑比赛的暴露路段

这将预测从一个通用平均值转变为战术地图。

天气

天气可以很快让一个清晰的模型变得混乱。风速变化比大多数骑行者预期的要大。高温改变了给定功率的成本。雨水会影响转弯、刹车和团体行为。

实际的重点不是完美预测每一个细节。而是避免假装路线存在于真空中。如果条件可能使努力更具随机性或成本更高，请将其纳入计划。

什么才算作近期和相关证据

“使用近期状态”这句话只有在它能带来更好的决策时才有用。

近期默认不代表上一次骑行。它指的是与你当前体能、疲劳和状况足够接近的证据，这些证据仍然能描述将要开始比赛的骑行者。同一训练阶段的干净表现通常比不同赛季、不同体重或不同生活压力下的旧高峰更有用。

相关意味着努力程度与你试图预测的需求相匹配。优先选择那些在改变表现方面与比赛相似的文件：

关键努力的持续时间
骑行姿势，尤其是计时赛
地形类型和节奏
炎热、风和路面状况
努力前的疲劳状态
努力是稳定、随机的，还是在之前的训练后重复的

如果比赛取决于持续爬坡，那么近期稳定的爬坡比新鲜的冲刺更能说明问题。如果比赛取决于在重复加速中幸存下来，那么请查看在之前的冲刺后功率是如何保持的。如果比赛在累积疲劳后结束，那么骑行后期的数据应该比训练开始时的新鲜努力更具分量。

基于近期相关证据的预测通常会优于基于旧高峰表现的预测，因为它提出了正确的问题：在比赛可能施加的条件下，你现在能表现出什么？

简单的预测工作流程

在比赛、艰苦的训练骑行、爬坡目标或计时赛之前使用此方法。保持其足够简单，以便你能够实际重复它。

定义比赛需求。决定什么可能决定骑行：持续功率、可重复的冲刺、空气动力学效率、定位、技术操控或抗疲劳能力。
选择当前的功率假设。使用近期相关的努力，而不是历史最佳表现。如果证据混杂，选择一个保守的工作范围，而不是一个英雄般的目标。
分段路线。将赛道分成爬坡、暴露路段、技术区域、恢复区、选择点和速度可能具有误导性的地方。
调整疲劳和天气。如果你承受着训练负荷、睡眠不足、旅行压力、高温暴露或会使骑行更具变数的情况，则降低信心。
设置配速范围。为每个关键路段设置一个受控范围，以及一个明确的规则，说明何时可以投入更多。这可以防止将每个路段都视为同等重要的常见错误。
骑行后验证。将假设与结果进行比较，找出模型出错的原因，并更新下一次预测。

这个工作流程很重要，因为它将预测与愿望分开了。你不是在问你想保持什么。你是在问比赛需要什么，你当前的证据支持什么，以及赛道会在哪里试图让你偏离计划。

一个实际例子：预测公路赛的选择点

想象一位骑行者目标是一场起伏的公路赛，其中决定性的选择很可能发生在重复的爬坡上，而不是在终点线。

弱预测是：“我爬坡很好，所以应该没问题。”这不是一个计划。它忽略了定位、爬坡前的疲劳以及重复加速的代价。

更好的预测始于需求。骑行者将重复的爬坡标记为关键路段，因为地形变窄，车群拉长，以及进入太靠后的骑行者甚至在爬坡开始之前就必须冲刺。这种定位成本改变了生理机能。选择不仅仅是爬坡。它是到达前方的努力，爬坡本身，以及如果车群分裂，在山顶上的加速。

接下来，骑行者从看起来相似的近期努力中选择当前的功率假设：在疲劳状态下爬坡，而不是在完美状态下新鲜的单独努力。如果近期训练表明持续功率稳定，但重复冲刺会导致衰退，那么计划就不应该依赖于从后面弥补差距。

然后骑行者将决定性部分分段：

爬坡前：将精力花在定位上，而不是不必要的动作
下坡：如果车群犹豫或不均匀地冲刺，保持控制
最艰难的部分：只有在前方车群形成时才允许投入
翻越山顶：预计会有另一次加速，而不是干净的恢复
分裂后：评估贡献是保护位置还是浪费有限的能量

天气和疲劳调整了信心。如果天气炎热或骑行者以沉重的双腿开始，模型应该从攻击选择转变为在前方附近幸存下来。这不是消极思维。这是将战术与可用的引擎匹配。

输出是实用的：在选择点进入时位置良好，避免从太靠后弥补早期差距，将最艰难的努力留给赛道上实际分裂车群的部分，并通过骑行者是否与正确的车群一起离开该路段来判断成功，而不是通过整个比赛的平均功率来判断。

如何预测爬坡、计时赛和公路赛的需求

爬坡预测

爬坡预测是最清晰的用例，因为需求通常不那么混乱。关键输入包括骑行者体重、自行车和装备重量、可持续爬坡功率、坡度剖面、路面和可能的风力暴露。

最重要的决定是将爬坡建模为稳定还是可变。坡度变化的爬坡可能会惩罚那些试图保持完美均匀功率的骑行者，因为陡峭路段会迫使扭矩和功率飙升，而较容易的路段则会诱使他们追求速度，而此时恢复可能更有价值。风险不仅仅是骑行过猛。它是在额外获得的速度不值得后续疲劳的地方，超出目标。

对于配速，模型应回答两个问题：

如果努力是均匀配速的，那么现实的功率是多少？
路线在何处使均匀配速变得困难？

第二个问题是真正有用的洞察所在。它告诉你何时保持冷静，何时避免追求速度，以及何时稍微提高功率可能值得。在稳定的爬坡中，纪律保护了整个努力。在不连续的爬坡中，纪律意味着控制峰值，而不是假装功率线会完美平坦。

计时赛预测

计时赛不仅仅是功率测试。它还是功率、姿势和配速测试。

产生最高功率的骑行者不总是骑得最快。更符合空气动力学的姿势可能具有决定性，但前提是它能让骑行者产生足够的功率并在疲劳时保持该姿势。这就是为什么计时赛预测应该基于目标姿势的实际骑行，而不是乐观的公路自行车功率。

一个好的模型应该包括：

在姿势下可持续的功率
在保持气动姿势时功率是否会下降
迫使加速的赛道中断
风力暴露和可能的速度变化
早期快速路段的配速风险

计时赛中的因果问题是速度可能会说谎。顺风或快速的开场路段会使不可持续的努力感觉可控，因为来自路面的反馈是积极的。逆风或缓慢的路面则会产生相反的效果，诱使骑行者过度纠正，因为速度看起来令人失望。模型应该通过定义努力和姿势质量来防止这两种错误，而不是追求早期速度。

最佳计时赛预测通常是一个与执行相关的范围：你可以在姿势下保持的功率，你将接受小幅输出变化的地方，以及保持气动姿势比强行达到某个数字更重要的点。

公路赛预测

公路赛更难预测，因为跟车和战术占据主导地位。获胜的举动可能更多地与在许多前期消耗后在正确的时间产生正确的功率有关，而不是平均功率。

对于公路赛，预测应侧重于可能的选择点，而不是全程精度。询问比赛最有可能在何处变得艰难。然后询问这些点需要何种努力。

模型应识别：

在艰难路段前定位的重要性
决定性努力是持续的还是爆发性的
类似努力可能重复的次数
关键点前的疲劳是否会改变所需的功率
赛道是奖励等待还是强行比赛

地形改变了决定。狭窄的爬坡使得转弯前的定位变得有价值，因为一旦路面倾斜，向上移动的代价可能比爬坡本身还要大。侧风路段奖励早期投入，因为在最强的骑行者真正进攻之前，遮蔽可能就会消失。技术性赛道惩罚糟糕的定位，因为每个弯道都变成了加速税。起伏的赛道在平均功率上可能看起来可控，但通过反复的峰值悄悄地消耗着骑行者。

这使得预测具有战术性。你不是说比赛需要一定的平均功率，而是问你是否能在决定性时刻生存下来或创造出来。

常见模型错误：错误的FTP、脏数据和乐观假设

大多数预测失败并非由缺乏复杂性引起。它们是由错误的假设引起的。

错误的FTP

如果FTP设置过高，每个下游预测都会变得过于乐观。训练区看起来比实际更容易。比赛配速看起来可持续，但实际并非如此。爬坡目标变成了陷阱。

如果FTP设置过低，则会发生相反的情况。骑行者可能会配速不足，避免有益的压力，或者将强劲的状态误读为仅仅是足够。

解决方法不是崇拜FTP。而是使其保持最新，并对照实际努力进行交叉检查。如果数字与你在训练中反复能做到的不符，请更新假设。

脏数据

功率计会漂移。文件包含丢失数据。智能训练台可能与户外功率计不一致。心率可能受到疲劳、温度、咖啡因、压力和水合作用的影响。

脏数据很危险，因为它通常看起来很精确。一条线条清晰的图表仍然可能建立在有缺陷的测量基础上。

在信任预测之前，请检查源数据是否合理。寻找不切实际的峰值、缺失的部分、突然的传感器变化，或者与感知到的努力和速度不符的功率。如果输入可疑，模型输出应被视为暂定的。

乐观假设

最大的建模错误是假设理想的执行。

真实的比赛不是在实验室中进行的。你可能会跟丢车轮，在弯道处刹车，偏离位置，晚吃东西，过热，或者跟错了动作。即使是强大的骑行者也需要留有余地。

有用的预测应包括保守的比赛计划和激进的选项。保守的计划可以防止早期过度消耗。激进的选项告诉你何时理性地投入更多，例如当决定性选择正在形成或地形强烈有利于投入时。

如何根据已完成的骑行验证预测

只有经过审核，预测才能改进。

骑行结束后，将模型预期与实际发生的情况进行比较。不要只问完成时间或结果是否正确。要问预测为何失误或成功。

使用简洁的骑行后审核：

假设	实际结果	失误的可能原因	下一步调整
功率目标可持续	保持、下降或超出	体力、配速、炎热、补给或不切实际的基线	更新目标范围或信心水平
关键路段将决定骑行	确实如此，或另一个点更重要	路线解读、战术、风、位置	下次重新标记选择点
疲劳可控	双腿保持稳定或过早疲劳	训练负荷、睡眠、旅行、之前的冲刺	调整减量、热身或配速目标
天气影响较小	条件改变了速度、冷却或操控	风、热、雨、路面	为类似条件增加更多余量
数据源可靠	文件干净或可疑	传感器问题、掉线、校准、设备不匹配	在建模前修复设备检查

有用的审查问题包括：

假设的功率是否现实？
疲劳是否比预期更早出现？
天气是否改变了努力的代价？
地形是否比模型预测的产生了更大的变异性？
跟车是否降低了需求或隐藏了重复的峰值？
补给是否支持了目标努力？
功率文件是否足够干净可信？

这会将每个事件转化为校准工具。如果你尽管早期达到了计划功率，但后期却反复下降，问题可能在于耐力、补给、热量管理或配速目标。如果你在某些地形上始终超越预测，模型可能低估了你的优势或高估了路线需求。

关键在于让下一次预测的错误更少。

将预测转化为配速、训练和比赛决策

骑行表现预测只有在改变决策时才具有价值。

对于配速，它为你提供了护栏。你知道哪些路段需要克制，哪些路段值得全力以赴。你不再将整个骑行视为一次单一的努力，而是开始根据地形和比赛背景调整输出。

对于训练，它明确了特异性。如果目标赛事需要长时间稳定的工作，训练就应该发展这种能力。如果选择很可能来自重复的冲刺，训练就应该包括在疲劳下的重复性。如果计时赛取决于姿势下的功率，那么公路车的数据是不够的。

对于比赛选择，预测可以以一种有用的方式直截了当。有些赛事奖励你当前的优势。另一些则暴露出需要更多时间的限制因素。这并不意味着要避免艰难的比赛，但确实意味着要知道目标是表现、练习还是数据收集。

对于装备和设置，预测可以揭示哪些改变很重要。在以爬坡为主的路线中，重量和配速可能值得关注。在计时赛中，姿势和可持续的气动功率可能更重要。在公路赛中，最佳的装备选择可能是那些能帮助你操控、加速和保持位置而又不浪费能量的装备。

最优秀的运动员不使用模型来消除不确定性。他们使用模型来为不确定性做准备。他们了解目标需求，理解假设，验证结果，并更新计划。

这就是骑行表现预测的真正价值。它将猜测转化为数据、路线和你现在实际的骑行者之间有条理的对话。