预计表现功能依据上传至 Strava 的历史活动数据，为订阅用户提供主要跑步竞速距离的预计完成时间。涵盖的竞速距离有 5K、10K、半马，以及全程马拉松。

预计表现功能不将路面或海拔变化纳入考虑，计算时假设运动达人在平坦的、类似跑道的路面行进。该预计功能只对订阅用户开放，可前往你选项卡的进度部分查看。 并在移动应用程序上的跑步活动中。

要查看预测，订阅者必须在滚动24周（约5个半月）的时间范围内上传至少20次跑步活动记录。这保证了该功能背后的机器学习模型有充足的数据，生成高质量、准确的预测内容。订阅用户每上传一次跑步活动，或连续三天未上传跑步活动，模型都将生成一组新的预计表现。如未在滚动窗口期内上传足够数量的跑步活动，订阅用户则可以看到上一次上传数据充足时生成的预计表现。订阅用户再次上传足够数据后，预计表现将会刷新。

您的预测中未包含室内活动和跑步机锻炼。仅使用通过GPS记录的户外跑步数据。该模型会综合考虑您迄今为止的所有运行记录和最佳表现，但会更侧重于您最近24周内的上传数据。这样可以确保您的预测与您当前的健康状况紧密契合，而不是基于更久远时期的表现。

你可以在时间范围内查看过去1个月、3个月和6个月的预测情况。在月视图中，你可以每天查看更新后的预测结果。对于3个月和6个月的期间，你可以查看每周的中位数预测值。要查看过往预测结果，在所选时间范围内，你必须至少有针对所选距离的 2 条预测记录。即使目前的跑步次数还不足以生成今日最新预测，你仍然可以查看所选时间范围内的过往预测。

Strava 预计表现功能由一款机器学习模型提供支持，该模型使用了来自超过 100 位运动达人的数据，包括其全部时间的跑步历史和最好成绩。与其他使用包括 VO2 预计峰值的理论数据的预测方式不同，Strava 只使用真实活动数据预测竞速成绩。该系统还梳理训练经历相似的运动达人成绩，因此生成的预计表现更贴合现实，也与有类似运动能力的达人的运动表现相关联。

各个竞速距离的预计完成时间分别计算得出，增加了数据的准确性。例如，一位正在备战马拉松的运动达人，如果每周增加训练量并重点关注长距离间歇跑，其半程马拉松和马拉松的预测成绩可能会显著提升，但在较短距离的预测成绩上却未必能取得同等程度的提升。

同样，一名重点关注短距离项目的运动员，如果在训练中侧重于速度和力量，那么其5K和10K成绩的预测提升幅度可能会大于长距离项目——因为在长距离项目中，这些能力的重要性相对较低。