对于RQrun用户而言，成绩预测是制定比赛目标和配速策略的主要参考之一；一些大型比赛过后，后台与小助手也经常收到用户们关于预测成绩的反馈。

为了使成绩预测更加接近实际成绩，RQrun在去年也陆续推出了“成绩达成率”、“环境影响”等进阶预测功能。

为什么有的人超常发挥，有的人则被“拉爆”？有什么办法可以使成绩预测更加准确？

时隔一个月，我们再次回顾03/24的超级比赛日（无锡、武汉、重庆）的RQrun用户数据，尝试回答这些大家都十分关心的话题。

图片来源于网络，侵删

成绩预测是理想值

打开RQrun APP，在分析 - 跑力页面，可以找到与“当前跑力”相对应的成绩预测。这里的各距离目标成绩是一个理想状态下全力发挥的预测值。回到实际赛道中，尤其在全马比赛中，相同跑力的两个跑者，由于过往经验、临场发挥的不同，成绩会围绕这个理想值产生一定的浮动。

分析 - 跑力

我们观察超级比赛日超过5000名RQrun用户在比赛当天的当前跑力对应成绩与实际完赛成绩的关系，可以清楚地看出：整体上有较为显著的相关性；除了相对少数“超常发挥”的用户，大多数人的实际完赛成绩略低于预测成绩。

超级比赛日RQrun用户当前跑力对应成绩与完赛成绩散点图

于是我们的问题是：是什么原因造成了这种偏差呢？

同样的距离，不同的环境

虽然全马距离都是42.195km，但是不同城市的赛道设计、比赛当天的天气情况，都会显著影响跑者的实际发挥。赛道设计可以通过路线图或者过往经验获得，而天气情况就只能看老天爷的心情了。

我们在“进阶成绩预测”中增加了“环境影响”功能，以覆盖环境因素所带来的影响。(分析-跑力-进阶成绩预测)

在进阶成绩预测中，可以自行输入具体赛事的环境指标，观察成绩预测的变化

对比超级比赛日三场比赛开始时的温湿度、具体天气，以及全程的爬升作为衡量赛道难易程度的一个参照，可以看到：无锡马可以说是一马平川；武汉马的爬升略多，但也在正常范围内；重庆马爬升不多，但是当天气温较高，可能会影响跑者的发挥。

三场比赛外部环境对比

天气数据来源：天气预报网站，温度与湿度为起跑时的状态。

爬升数据来源：根据参赛用户运动记录所上传的总爬升值，取中位数。

从配速均衡看三场比赛的环境影响

如何评估外部环境对实际表现的影响呢？在这里我们采用配速均衡作为参考。

我们知道，越有经验的跑者，越能够应对各种复杂的外部情况，维持稳定的配速；而我们通常所说的“拉爆”，正是由于配速策略不够合理而导致前后配速失衡。配速均衡的计算方式如下：

其中，v_1st和v_2nd分别代表前半段和后半段的平均速度，v代表全程的平均速度。I_imb越接近于0，说明用户在前后半段的配速越稳定。我们将参赛用户按照赛事、跑力进行了分组，分别计算I_imb系数，得出的结果如下图所示。

三场比赛不同跑力分组下配速均衡指数对比

可以看到大多数跑者或多或少都有后半程掉速的情况（I_imb＜0）；更为直观的是，在三个跑力组别中，不同的赛事对I_imb的影响趋势是一致的：重庆马的跑者后程掉速最为明显，无锡马次之，武汉马的跑者反而在配速均衡上做的更好。

这跟我们赛后所搜集到的跑者反馈也是一致的。

成绩预测的前提：最大心率设置

另外一个用户们容易忽略的影响因素就是最大心率设置。

因为跑力的计算基于储备心率，对于相同的配速和心率，当最大心率设置过低时，储备心率偏高，会导致跑力被低估；相反地，最大心率设置过高时，跑力会被高估。也开发了一个进阶功能 —— 理论最大心率计算。

当系统算法检测到最大心率设置可能有偏差而导致跑力不准时，会自动进行理论最大心率的估算，由用户自行选择是否采纳。

最后让我们来看一下，如果将进阶的环境影响、理论最大心率修正纳入计算，重新估计出来的全马成绩变化：

校正前后的成绩预测对比

将参赛用户的样本（X轴，n = 3550）按照实际成绩、比赛当天的当前跑力对应成绩以及校正之后的成绩预测三个指标，分别从小到大进行排列，并绘制成曲线。

可以看到，原始跑力的对应成绩时间要小于实际成绩（倾向于估计理想情况）；但是在综合考虑了外部环境、最大心率设置等问题之后，得到的校正预测曲线进一步向实际成绩靠拢了。

如何使成绩预测更接近实际成绩呢？

在参考当前跑力对应的成绩之前，首先让自己的最大心率和静息心率设置尽可能接近真实值：静息心率可以通过多日早晨起床时，站立测量，最大心率则建议可以安排进行实际测试。

如果是白金会员，还可以使用进阶成绩预测，具体观察外部环境对成绩的影响：当预测成绩有较大幅度（5%以上）的增加时，建议可以重新审视下比赛的配速策略，确保起跑不超速，避免体能消耗过快，被自己拉爆。

如果还不是白金会员，那么赶紧查看一下攒了许久的RQ币，体验一下吧～

文 / RQ运科组-Rui

预测VS实际成绩-324超级比赛日深度分析