格兰芬多自行车赛中的配速策略:对 Quebrantahuesos 赛事的大规模分析

《Sport Sciences for Health》:Pacing strategies in Gran Fondo cycling: a large-scale analysis of the Quebrantahuesos race

【字体: 大 中 小 】 时间:2026年06月27日 来源:Sport Sciences for Health 1.3

编辑推荐:

  配速是决定耐力运动表现的关键因素,但大众参与型格兰芬多(Gran Fondo)自行车赛事中的配速行为仍缺乏充分描述。本研究旨在考察 Quebrantahuesos 格兰芬多赛事中,基于完赛时间划分的不同表现组之间的配速差异。 研究方法:通过网络爬取(web

  
配速是决定耐力运动表现的关键因素,但大众参与型格兰芬多(Gran Fondo)自行车赛事中的配速行为仍缺乏充分描述。本研究旨在考察 Quebrantahuesos 格兰芬多赛事中,基于完赛时间划分的不同表现组之间的配速差异。

研究方法:通过网络爬取(web scraping)收集 Quebrantahuesos 2025 届赛事的公开分段计时数据,最终纳入6589名完赛者。配速指标包括配速范围、各分段相对速度以及每个赛段占总比赛时间的百分比。研究人员检验了不同表现组之间的差异,并基于相对速度、时间分配和配速范围应用 k均值聚类(k-means clustering),以识别由配速衍生的分组。

结果:不同表现水平之间的配速变异性存在显著差异(p<0.001),其中最快的骑行者(<6:00 h)与所有其他组相比表现出最低的配速范围。较快骑行者采取了更为保守的起始策略,并在比赛后续赛段中与较慢骑行者逐步拉开差距,尤其在终段最为明显。时间分配模式显示,较快骑行者在比赛中段决定性爬坡中所耗费的总时间占比相对更低,并且在最后一个赛段呈现出最大的组间分离。聚类分析揭示了3种不同的配速特征:表现最佳的聚类在比赛早期表现为较低的相对速度,而在主要爬坡阶段表现更优;配速变异性最高的聚类则表现为比赛中段速度较慢,并在最后赛段累积更多时间,这提示其用力分配欠佳或过早疲劳。

结论:Quebrantahuesos 赛事表现与较低的配速变异性及赛段特异性策略相关,这一结果支持为休闲骑行者及教练提供个体化配速建议。
该文发表于《Sport Sciences for Health》,围绕大众参与型格兰芬多(Gran Fondo)自行车赛事中的配速调控展开,研究对象为欧洲极具代表性的 Quebrantahuesos 赛事。配速(pacing)是指在整个运动任务持续期间对外部功率输出或移动速度进行调节与分配的过程,被普遍认为是耐力项目成绩形成的核心决定因素之一。既往研究已在职业公路自行车、计时赛、越野山地车及超耐力骑行等场景中广泛讨论配速与表现之间的关系,指出高水平运动员往往具备更稳定的速度调控能力、更优化的能量分配方式,以及更强的末段抗疲劳能力,即所谓耐久性(durability)。然而,与马拉松等耐力项目相比,大规模大众参赛自行车赛事中的配速规律仍缺乏系统性证据。格兰芬多赛事通常赛程长、地形起伏显著、存在一定程度的跟骑(drafting)效应,同时参赛者水平差异巨大,这使其配速行为受到生理能力、地形约束、战术决策和疲劳累积的共同影响,明显不同于职业比赛环境。因此,明确不同水平业余骑行者在真实赛事中的配速模式,不仅有助于理解大众耐力赛事中的表现形成机制,也可为教练员和休闲骑行者制定更契合项目需求的比赛模型提供依据。

研究人员以 2025 年 Quebrantahuesos 赛事为研究场景,对不同完赛水平选手的配速特征进行了大样本比较,并进一步利用无监督聚类方法识别独立于完赛时间之外的配速类型。研究显示:成绩越好的骑行者,整体配速波动越小,起始阶段越保守,在关键中段爬坡中占用的总时间比例越低,并在比赛后程尤其终段表现出更强的竞争优势;与此同时,即使在相近完赛成绩之外,仍可识别出若干具有不同赛段行为特征的配速剖面。该研究的重要意义在于,它将传统按完赛时间分组的表现分析与数据驱动的配速模式识别结合起来,补充了大众参与型自行车赛事配速研究的空白,并强调了赛段特异性配速策略在长距离业余骑行中的实践价值。

在技术方法方面,研究人员基于公开成绩网站,通过 Python 网络爬取获取西班牙 Sabi?ánigo 举办的 Quebrantahuesos 2025 赛事数据,初始样本为7752名参赛者,排除未完赛者及分段数据缺失者后,纳入6589名完赛者。研究以官方7个计时点为基础,计算各赛段平均速度、相对速度、配速范围及赛段时间占比;按每30 min 的完赛时间区间划分表现组。统计分析采用单因素方差分析(ANOVA)和 Bonferroni 事后检验评估组间差异,效应量以 η2 和 Cohen’s d 表示;同时对标准化后的配速变量实施 k均值聚类(k-means clustering),并通过轮廓系数(silhouette analysis)确定最优3聚类结构。

一、Performance-based pacing differences
该部分主要比较不同完赛表现组的配速差异,结果表明配速并非单纯体现为“快或慢”,而是表现为全赛程内不同赛段的组织方式存在系统性差异。

1. Pace variability
研究人员首先分析了配速变异性,即各赛段相对速度最大值与最小值之差所构成的配速范围。结果显示,不同表现组之间存在显著主效应(η2=0.019,p<0.001)。其中,完赛时间<6:00 h 的最快组具有最低的配速范围,且显著低于所有其他组;而从较快组到较慢组,配速波动总体上呈增大趋势。该结果说明,高水平骑行者在整场比赛中速度调控更加稳定,表现出更强的节奏控制能力。另一方面,相邻中间水平组之间的差异相对较小,提示配速一致性可能主要是顶尖表现者的突出特征,而并非在全部水平中呈完全线性递变。

2. Relative speed by split
研究人员进一步考察各官方计时点对应赛段的相对速度差异。结果显示,所有分段的表现组间差异均达到显著水平(η2=0.0098–0.6977,p<0.001)。总体模式为:较快骑行者在比赛初段采用更保守的起始配速,在中段爬坡阶段与其他组相对接近,而在后程逐步与较慢组拉开差距,尤其在终点前最后赛段差异最大。具体而言,在 Somport 这一最初检查点,最快的两组相对速度低于较慢组,提示其避免了开局过度输出;在 Plateau de Benaiu 和 Lac de Fabregues 所代表的中段,组间差异仍显著但幅度缩小;到了 Portalet,最快组重新表现出更高相对速度;而在 Panticosa 与 Biescas,组间差异进一步减弱;终点赛段则出现最强分离效应(η2=0.6977)。这一结果表明,成绩优势并非建立于开局冲得更快,而更可能依赖于在关键后程维持能力和抵抗疲劳。

3. Percentage of time by split
在赛段时间占比分析中,研究人员发现不同表现组在各赛段耗时分布上同样存在显著差异(η2=0.0079–0.5757,p<0.001)。最快骑行者在首段和末段所占总比赛时间比例更高,而在 Lac de Fabregues 与 Portalet 等关键中段爬坡中的时间占比更低。Somport 赛段中,较快组选手累计了更高的总时间比例,这与其较保守的起始节奏一致;而在 Plateau de Benaiu,组间差异很小;到 Lac de Fabregues 与 Portalet,较快组选手所占时间比例明显更低,提示其在决定性爬坡中的通过效率更高;终点前最后赛段则再次出现最显著差异。该结果说明,高水平选手并不是在全赛程每一段都“更快”,而是更善于在决定成绩的关键爬坡地段节省时间,并将竞争力保留到比赛后段。

二、Cluster-based pacing dynamics
这一部分采用无监督聚类,不再依据完赛时间预先分组,而是直接根据配速行为识别具有相似特征的骑行者群体,从而揭示完赛成绩之外的配速异质性。

1. Cluster characteristics (age, sex, speed, and finish time)
聚类分析识别出3个 distinct clusters。研究人员发现,性别与聚类归属存在显著关联(χ2=57.6,φ=0.092,p<0.001),年龄与聚类归属也存在显著关联(χ2=313.2,φ=0.151,p<0.001)。尽管所有聚类中男性均占多数,但不同聚类中的性别比例并不相同;年龄方面,18–34岁骑行者在 Cluster 2 中更常见,而≥55岁骑行者在 Cluster 3 中比例更高。在竞赛表现指标上,聚类对配速范围、完赛时间和平均速度均具有显著主效应(分别为 η2=0.3655、0.4735、0.4836,均 p<0.001)。其中,Cluster 2 具有最低完赛时间和最高平均速度,表现最佳;Cluster 3 的配速范围最大,整体表现最差;Cluster 1 则处于中间状态。这表明,不同配速剖面与实际竞赛表现密切相关,但并不完全等同于简单的快慢分组。

2. Pacing patterns (relative speed and time distribution)
在相对速度方面,所有赛段的聚类主效应均显著(η2=0.129–0.438,p<0.001)。Cluster 2 在起点附近的 Somport 赛段表现出最低的相对速度,但在 Lac de Fabregues 与 Portalet 等主要爬坡赛段中反而速度最高,说明这一类型的骑行者倾向于采用保守开局、关键爬坡发力的策略,并且这种策略与最佳成绩相关。Cluster 3 在多数中间赛段速度最低,尤其在 Plateau de Benaiu 和 Portalet 表现较差,但在 Panticosa 赛段相对速度有所上升;同时其在终点前最后赛段累计更多时间,显示出中段受限和后段时间损失较大的特征。Cluster 1 则在多数赛段维持中高水平且较为均匀的相对速度,在起始和终末阶段都处于较快水平,体现出更平稳的全程配速模式。

在赛段时间占比分布上,聚类差异同样显著(η2=0.107–0.443,p<0.001)。Cluster 2 在 Somport 累积更高时间占比,但在中段主要爬坡中所占比例逐步下降,尤其在 Lac de Fabregues 与 Portalet 更低,反映出其在关键爬坡段通过效率最佳。Cluster 1 更倾向于在 Plateau de Benaiu 和 Biescas 累积较高时间占比,显示其中段和后段的节奏分配相对均衡。Cluster 3 则在 Panticosa 时间占比较低,而在最后终点赛段所占比例最高,进一步支持其后程效率下降或疲劳积累更明显的特征。总体来看,聚类结果提示,即使不以完赛时间为前提,也可以识别出具有明确行为特征的配速类型,这些类型在起步策略、爬坡处理和后程维持能力上存在实质差异。

三、讨论总结
讨论部分强调,本研究最核心的发现有三点:其一,配速变异性随表现水平提高而下降,最快组选手拥有最稳定的配速模式;其二,不同表现组在赛段层面的相对速度和时间分配上存在显著差异,较快骑行者更倾向于保守起步、优化中段关键爬坡并在后程体现优势;其三,基于聚类得到的配速类型揭示了完赛时间分组之外的行为异质性。研究人员认为,Quebrantahuesos 这类赛道起伏明显、持续时间长的大众赛事中,配速策略不仅是整体速度问题,更是与地形结构相耦合的赛段调控问题。尤其是 Lac de Fabregues 和 Portalet 这类平均坡度高、海拔逐渐升高的赛段,最能放大不同骑行者之间的差异。研究还指出,较慢组选手可能由于比赛持续时间更长、恢复策略差异更大,以及在高海拔环境暴露时间更久,而表现出更高的配速离散度和更差的关键赛段效率。应用层面上,结果支持在格兰芬多赛事中强调保守开局与高效爬坡的个体化配速建议。局限性方面,研究仅使用分段时间和速度数据,缺乏功率输出、连续 GPS 轨迹及生理反应指标,因而难以从机制层面直接解释配速形成过程;此外,本研究只涉及单一赛事,未来仍需在更多比赛中验证其外推性。

四、研究结论翻译
总之,本研究表明,Quebrantahuesos 格兰芬多自行车赛中的配速行为与表现水平密切相关,并呈现出明确的赛段特异性策略。较快骑行者表现出更低的配速变异性、更为保守的早期配速以及更优的比赛后程表现;与此同时,基于聚类的分析进一步揭示了完赛时间分组之外存在异质性的配速剖面。这些发现为理解大众参与型自行车赛事中的配速调控提供了有意义的证据,并凸显了表现分析方法在解读耐力竞赛数据中的价值。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号