表現預測功能會基於訂閱者過去的 Strava 活動資料，預測關鍵跑步距離的完成時間。 支援的距離有 5 公里、10 公里、半程馬拉松與全程馬拉松。 表現預測功能不將路面或海拔變化納入考慮，計算時假設運動同好在平坦的、類似跑道的路面上行進。 該功能只對訂閱用戶開放，可前往你分頁的進度部分查看，並在行動應用程式上的跑步活動中顯示。

若要查看預測，訂閱者必須在 24 週（約 5.5 個月）的滾動時間視窗內上傳至少 20 筆跑步活動。 這保證了該功能背後的機器學習模型有充足的資料，生成高品質、準確的預測內容。 訂閱用戶每上傳一次跑步活動，或連續三天未上傳跑步活動，模型都將生成一組新的預計表現。 如未在滾動時間視窗內上傳足夠數量的跑步活動，訂閱用戶則可以看到上一次資料充足時生成的預計表現。 訂閱用戶再次上傳足夠資料後，預計表現將會更新。

你可以查看過去 1 個月、3 個月和 6 個月的預測變化趨勢。 在月檢視中，你可以每天查看更新後的預測結果。 在 3 個月和 6 個月的檢視中，你可以看到每週的預測中位數。 如果當天或當週沒有更新預測資料，我們會幫你將前後的資料點連起來，補全趨勢線。 要查看過往預測結果，在所選時間範圍內，你必須至少有針對所選距離的 2 筆預測記錄。 即使目前的跑步次數還不足以生成今日最新預測，你仍然可以查看所選時間範圍內的過往預測。

Strava 的表現預測功能使用了機器學習模型，會考慮超過 100 種運動同好的數值指標，包含歷來的跑步記錄以及最佳表現等等。 其他的賽跑預測功能通常只根據預估的 VO2 最大值等理論數值進行預測，Strava 的預測功能與他們不同，會使用真實的活動資料進行預測。 我們的系統會同時參考其他訓練歷程相似的運動同好，預測出來的數值有其他相似體能的運動同好的實際數據作為依據，所以更為真實精準。

不同的跑步距離是單獨計算的，因此能更為準確。 舉例來說，練習跑馬拉松的運動同好每週長跑的訓練量比較大，因此會發現他們在半程馬拉松與全程馬拉松的預測值逐步進步，但短距離的預測值並不會同等的進步。 同樣地，專注練習短距離、注重速度與功率的運動同好，則會發現他們在 5 公里與 10 公里的預測值進步的比長距離的預測值多，這是因為長距離跑注重的能力與短距離跑不盡相同。

2025 年 9 月 23 日當週，我們上線了升級版「表現預測」模型。 此次更新確保預測能更準確地反映你近期的最佳成績。