跑步成绩预测 — 用已知配速预测半马全马

比赛成绩预测器的工作原理

比赛成绩预测器根据你已知的比赛成绩——任何你近期参加过比赛的距离——来预测你在不同距离的完赛时间。它同时使用三个经过科学验证的预测模型，给出一个预测范围而非单一数字。

使用流程如下：你输入已知比赛距离（可选择 5 公里、10 公里、半程马拉松或全程马拉松等预设值，也可输入自定义距离）和该比赛的完赛时间。然后选择想要预测的目标距离。计算器同时运行三个模型——Riegel、Cameron 和 Daniels/Gilbert VDOT——并在对比表中展示结果，显示每个模型的预测完赛时间、每公里配速和每英里配速。

通过并列展示三个预测结果，你可以评估预测的置信范围。当三个模型结果非常接近时，你可以对预测高度自信。当它们出现分歧时，差值告诉你存在多少不确定性，附带的置信度说明会解释在你的具体距离组合中应该更信任哪个模型。

计算器还会计算你的 VDOT 分数（根据比赛表现推导出的 VO2max 等效值），可作为通用体能基准进行长期追踪，并搭配VO2max 计算器进行训练区间规划。

三种预测公式详解

Riegel 公式（1981）

Peter Riegel 的公式最初发表在《跑者世界》上，后在 1981 年的论文《Athletic Records and Human Endurance》（发表于《American Scientist》）中正式提出，是跑步领域使用最广泛的比赛成绩预测方程。公式简洁优雅：

T2 = T1 x (D2 / D1)^1.06

其中 T1 是已知成绩，D1 和 D2 是两个距离，1.06 是疲劳指数。这个指数来源于对各距离世界纪录的分析，代表了成绩随距离增加而下降的平均配速。如果值为 1.0，则意味着完全线性缩放（距离翻倍，时间翻倍），而 1.06 意味着每次距离翻倍，时间比线性预测多出约 6%。

Riegel 最初的研究考察了游泳、跑步、自行车和速滑的纪录，发现 1.06 指数在各耐力运动中具有惊人的一致性。然而，个体跑者的疲劳指数可能从 1.01（精英耐力型选手）到 1.15（速度型、耐力基础较弱的跑者）不等。

Cameron 公式（1999）

David Cameron 的模型于 1990 年代末开发，解决了 Riegel 公式的一个关键局限：假设所有距离的疲劳指数恒定不变。Cameron 认识到距离与疲劳之间的关系不是简单的幂律——从 5 公里到 10 公里的成绩下降比例与从半马到全马的下降比例有本质不同。

Cameron 使用了一个通过多项式方程计算的距离特定调整因子：

a = 13.49681 - 0.000030363 x d + 835.7114 / d^0.7905

其中 d 是以米为单位的距离。预测时间为：T2 = (T1 / a1) x a2，其中 a1 和 a2 分别是已知距离和目标距离的因子。这种方法对长距离产生更保守的预测，大型比赛数据集的实证数据倾向于支持这一点。

Daniels/Gilbert VDOT 模型

Daniels 和 Gilbert 模型基于杰克·丹尼尔斯在威斯康星大学的博士研究，后在其里程碑式著作《丹尼尔斯跑步方程式》中进一步完善，采用了根本不同的方法。它不是直接关联两个比赛距离，而是将表现转换为生理指标（VDOT），然后基于该指标进行预测。

该模型使用了运动生理学中的两个关键方程：

1. 跑步的氧气消耗：VO2 = -4.60 + 0.182258v + 0.000104v^2，其中 v 是以米/分钟为单位的速度。这捕捉了氧气需求随速度非线性增加的特征。
2. VO2max 的可持续比例：%VO2max = 0.8 + 0.1894393e^(-0.012778t) + 0.2989558e^(-0.1932605t)，其中 t 是以分钟为单位的比赛时间。这模拟了随比赛时间延长，跑者能维持的 VO2max 百分比呈指数衰减——你能在 5 分钟的比赛中维持接近 100% 的 VO2max，但在 3 小时的马拉松中只能维持约 80%。

VDOT 等于氧气消耗除以可持续比例。为预测新的比赛成绩，模型搜索在目标距离上产生相同 VDOT 的时间——实质上是在问：「在新距离上，这名跑者以什么配速能维持相同的生理负荷？」

获取准确预测的技巧

比赛成绩预测既是科学也是艺术。以下指南将帮助你从计算器中获取最接近现实的估算结果。

使用最近的比赛成绩

体能状态持续变化。两年前的 10 公里 PB 反映的是过去的你，而非现在的能力。要获得有意义的预测，请使用最近 8-12 周内的比赛成绩。如果你近期没有参加比赛，在经过测量的赛道上进行一次认真的计时测试可以替代——但请确保在充分热身后以真正的比赛强度完成。

考虑赛道和天气条件

在平坦凉爽赛道上跑出的 1:45 半马和在丘陵高温赛道上跑出的 1:45 代表着截然不同的体能水平。如果你的已知成绩来自困难的赛道或恶劣条件，预测结果会偏保守——你的真实体能比数字显示的更好。反之，下坡赛道或强顺风会使已知成绩偏乐观。

选择最接近的距离

所有预测模型在已知距离和目标距离相对接近时最为准确。按可靠性排列的理想场景：

1. 10 公里预测半马（2.1 倍比率）——非常可靠
2. 半马预测全马（2.0 倍比率）——非常可靠
3. 5 公里预测 10 公里（2.0 倍比率）——非常可靠
4. 10 公里预测全马（4.2 倍比率）——中等可靠
5. 5 公里预测全马（8.4 倍比率）——需谨慎使用

考虑你的跑者类型

预测公式假设你在两个距离上都受过同样充分的训练。实际上，一个专注于 5 公里速度训练的跑者，其马拉松表现会低于预测值；而一个高跑量的马拉松跑者，其 5 公里成绩可能也达不到预测值。在解读结果时，要考虑你的训练背景和周跑量。

使用预测范围，而非单一数字

三个模型本身就为你提供了一个内置的置信区间。合理的比赛日目标是三个预测值的平均值，最慢的预测作为「状态不佳」的应急方案，最快的预测作为「完美发挥」的上限。这种范围化的方法比执着于单一数字对配速策略制定更有价值。

何时及如何使用比赛成绩预测

设定合理的比赛目标

比赛成绩预测最常见的用途是为即将到来的比赛设定目标成绩。与其选择一个随意的整数（「我想全马破四」），不如用你的实际比赛数据来设定有据可依的目标。如果三个模型都预测在 3:48-3:55 之间，那么破四目标非常可行，而破 3:45 则需要在当前水平基础上进一步提升体能。

制定配速策略

获得预测完赛时间后，使用结果表中的每公里或每英里配速列将其转换为目标配速。这个目标配速成为你比赛日配速方案的基础。特别是对于马拉松，以 Daniels/VDOT 预测配速起跑并为最后 10 公里保留一定余量是经过验证的策略——前半程略微保守，留有体力强势收尾，比过于激进要好。

评估训练进展

在训练周期中定期进行预测计算，可以追踪体能进步。如果你基于更新的 10 公里成绩，预测的马拉松时间从一月份的 3:55 提高到三月份的 3:42，你就有了训练有效的客观证据。这在马拉松备战中艰苦的中间几周特别激励人心——因为日常的努力可能感觉没有回报。

选择目标赛事

如果你在纠结该参加 10 公里还是半程马拉松，反向运行预测可以帮助决策。将马拉松目标成绩作为「已知」结果输入，查看模型预测的等效 10 公里和半马成绩。这能告诉你是否已经准备好参加较短距离的比赛作为全马的跳板。

比赛日决策

比赛当天早晨，你可以结合赛前早晨规划器重新审视你的预测并根据条件调整。如果天气预报显示 28°C 高温，合理的策略是在预测时间基础上增加 3-5% 并据此调整配速。预测值提供基准，比赛日条件提供调整幅度。

常见距离成绩预测参考表

不确定你的短距离成绩意味着什么？下表展示了基于常见输入成绩的预测完赛时间（Riegel 模型，指数 1.06）。实际成绩可能因训练量、气温和赛道条件而异。

这些预测假设充分训练 + 适宜天气 + 平坦赛道。首马跑者建议在预测时间基础上额外预留 10-15% 的缓冲。