基于路网拓扑和训练负荷的个人化自行车赛时间预测
机器学习
2026-01-08 v2
摘要
预测特定路线的骑行时长对于训练计划和赛事准备至关重要。现有方法依赖需大量参数化（包括气动阻力系数和实时风力预测）的物理模型，这些参数对大多数业余骑手而言不够实用。本文提出一种机器学习方法，利用路网拓扑特征结合来自训练负荷指标派生的运动员当前健身状态来预测骑行时长。该模型从历史数据中学习运动员特有的性能模式，用历史绩效代理取代复杂的物理测量。我们采用单运动员数据集（N=96次骑行）进行N-of-1研究设计评估。经过严格的特征工程消除数据泄漏后，发现采用拓扑+健身特征的Lasso回归模型可达到MAE=6.60分钟，R²=0.922。值得注意的是，集成健身指标（慢性训练负荷CTL、急性训练负荷ATL）相较于仅使用拓扑信息（MAE=7.66分钟）可降低误差14%，表明生理状态在自给自足 effort中具有显著约束性能的意义。渐进式检查点预测使在路线难度逐步显现时实现动态赛前规划。
引用
@article{arxiv.2601.00604,
title = {Cycling Race Time Prediction: A Personalized Machine Learning Approach Using Route Topology and Training Load},
author = {Francisco Aguilera Moreno},
journal= {arXiv preprint arXiv:2601.00604},
year = {2026}
}
备注
29 pages, 22 figures