Resultatprognoser gir abonnenter estimerte fullføringstider for viktige løpsdistanser basert på deres historiske Strava-aktivitetsdata. Løpsdistansene som støttes er 5 km, 10 km, halvmaraton og maraton.

Resultatprognoser tar ikke hensyn til variasjoner i terreng eller høyde for løpet og antar at en atlet løper på en flat løype, tilsvarende en løpebane. Prognoser er kun tilgjengelige for abonnenter og finnes under delen Fremgang i fanen Du og i løpeaktivitetene dine i mobilappen.

For å kunne se prognosene må en abonnent laste opp minst 20 løpende aktiviteter innenfor et glidende 24-ukers vindu (om lag 5 og en halv måned). Denne terskelen sikrer at maskinlæringsmodellen som driver funksjonen har tilstrekkelig data til å lage en nøyaktig prognose av høy kvalitet. Modellen genererer et nytt sett med prognoser for abonnenten etter hver opplastede løpetur og etter tre dager uten en opplastet løpetur. Abonnenter som ikke har lastet opp nok løpeaktiviteter innenfor det rullerende tidsvinduet ser et sett med prognoser fra sist gang de hadde nok opplastinger. Når en abonnent gjenopptar opplastingen og når terskelen for aktiviteter, oppdateres prognosene.

Innendørsaktiviteter og trening på tredemølle er ikke inkludert i prognosene dine. Det er kun løpinger utendørs som er registrert med GPS som tas med i beregningen. Modellen tar hensyn til hele din løpinghistorikk og dine beste resultater, men oppføringer innenfor et glidende 24-ukers vindu vektes tyngre. Dette sørger for at prognosene dine i stor grad er basert på din nåværende fysiske form, snarere enn resultater fra lengre tilbake i tid.

Du kan se prognosene dine over tid for de siste 1, 3 og 6 månedene. For månedsvisningen kan du se dine oppdaterte prognoser daglig. For perioder på 3 og 6 måneder kan du se medianprognosen for hver uke. For å kunne se tidligere prognoser må du ha minst 2 prognoser i den valgte tidsrammen for den valgte distansen. Selv om du ikke har nok løpeturer til at vi kan gi deg en aktuell prognose i dag, kan du se dine tidligere prognoser i den valgte tidsrammen.

Stravas funksjon for resultatprognoser drives av en ML-modell som benytter seg av over 100 atlet-dataegenskaper, inkludert løpshistorikk og beste prestasjoner i all tid. I motsetning til andre løpsprognoser som baserer seg på teoretiske inndata som estimert VO2-maks, bruker Strava kun ekte aktivitetsdata for å forutsi løpsresultater. Systemet benytter seg også av resultatene til atleter med lignende treningshistorikk, slik at estimerte tider er realistiske og basert på det som er oppnådd av andre brukere med lignende evner.

Tider for hver løpsdistanse beregnes uavhengig, noe som fører til større presisjon. For eksempel kan en atlet som trener til et maraton, løper et større ukentlig treningsvolum og fokuserer på lengre intervaller, oppleve en betydelig forbedring i resultatprognosene for halvmaraton og maraton, men ikke oppleve en tilsvarende forbedring i prognosene for de kortere distansene.

På samme måte kan en atlet som fokuserer på kortere distanser og legger vekt på hastighet og effekt i treningen, oppleve større forbedring i sine forventede resultaterpå 5Kog10kmenn på de lengre distansene, der disse egenskapene er mindre viktige.