运动表现的数学建模：从Banister到现代——为什么公式救不了你，但值得你懂

开场：那位盯着TSS数字失眠的破三跑者

我带过一位工程师学员，姑且叫他阿哲。他是台北某科技公司的数据工程师，数字是他的母语。他来找我时已经跑进全马3小时15分，目标是破三。第一次面谈，他打开笔电，屏幕上是一张自己用Python画的曲线图：蓝线是「体能」，红线是「疲劳」，两条线相减的绿线就是他预测的「表现」。他很得意地说：「教练，我把Banister模型自己刻出来了，这礼拜绿线会到高点，所以我排了一场半马测验。」

结果那场半马，他跑爆了。配速崩掉，最后三公里用走的回家。

他百思不得其解：「数学不会骗人啊，为什么模型说我状态最好，我却跑得最差？」

这篇文章，就是要回答阿哲的问题。运动表现的数学建模，从1975年一路发展到今天的机器学习，是一段迷人又充满陷阱的历史。我想带你搞懂：这些公式在说什么、它们为什么有用、更重要的是——它们为什么会失准，以及身为一个在台湾训练的实际运动者，你该怎么聪明地使用它们，而不是反过来被它们绑架。

先讲结论，免得你看完觉得我在浇冷水：数学模型不是水晶球，它是一副眼镜。 戴上它，你会看得比较清楚，但你还是得自己走路，还是会踩到石头。

一、科学基础：Banister到底在算什么

1.1 一个违反直觉的内核观念

1975年，一位叫Eric Banister的学者提出了一个到今天仍在影响所有运动App的想法：冲量—反应模型（impulse-response model）。

他的内核洞见其实非常符合我们的身体经验，却常被业余者忽略：每一次训练，同时产生两个效果——一个正面的「体能（fitness）」，一个负面的「疲劳（fatigue）」。你当下能表现出来的能力，等于体能减去疲劳。

用一条让所有人都记得住的公式来写：

表现（Performance）＝ 体能（Fitness）－ 疲劳（Fatigue）

这听起来废话，但Banister补上了关键的第二层洞见，这才是精华所在：

在一次训练后，疲劳一开始比体能大，所以你的表现能力会先下降；但疲劳消退的速度比体能快，所以随着时间过去，体能逐渐「浮出水面」，表现能力才会上升。

这正是「超量恢复」与「减量（taper）」背后的数学语言。你练完一组大课表隔天腿很沉、跑不动，不是因为你变弱了，而是因为疲劳这条负面曲线暂时盖过了体能这条正面曲线。等疲劳退得够多，你「浮上来」的那一刻，就是你状态的高点。

我常跟学员这样比喻：体能像存款，疲劳像卡债。 你每次刷卡（训练）都同时增加存款也增加卡债，但卡债的利息还得快、存款留得久。减量周就是「先别刷卡，让卡债退掉，把存款亮出来」的过程。

1.2 怎么把「训练」变成一个数字：TRIMP

模型要运转，得先把「今天练了多少」量化成一个数字。Banister用的工具叫做 TRIMP（Training Impulse，训练冲量）。

最基本的算法概念是：

TRIMP ≈ 运动时间 × 平均心率的强度加权

这里的心率不是直接拿原始bpm去乘，而是用「心率储备（Heart Rate Reserve）」的概念——也就是你当下心率落在「最大心率减安静心率」这段区间的相对位置，再乘上一个随强度上升而变大的加权系数（因为高强度的生理压力是非线性放大的，不是线性的）。

举个台湾跑者容易懂的例子。假设阿哲：

• 安静心率 48 bpm、最大心率 190 bpm，心率储备＝142 bpm
• 某天在河滨慢跑60分钟，平均心率 140 bpm

他的相对强度大约落在 (140−48)/142 ≈ 0.65，属于中低强度。系统会给这段一个中等的加权，算出一个中等的TRIMP值。如果同样60分钟他去操场跑间歇、平均心率飙到175 bpm，相对强度冲到 0.89，加权系数大幅放大，TRIMP值可能是慢跑的两倍以上。

重点不是记公式，而是理解它想捕捉什么：既久又累的训练，冲量最大；又短又轻的，冲量最小。 这跟你身体的直觉是一致的。

补充说明：你可能在Garmin、Strava、TrainingPeaks看到的是TSS（Training Stress Score）或Suffer Score，它们是TRIMP的近亲，用功率或心率去估算同一件事——今天这一课，对身体的内部负荷有多大。名字不同，灵魂一样。

1.3 两个时间常数：模型的灵魂

把每天的TRIMP喂进模型后，体能和疲劳各自用一条「指数衰减」曲线去累积与消退。每条曲线有一个 时间常数（time constant），决定它退得多快：

成分	意义	典型时间常数（仅为概念范围）	白话
体能 Fitness	训练带来的长期正面适应	较长（数周等级）	存款，留得久
疲劳 Fatigue	训练带来的短期负面消耗	较短（数天等级）	卡债，退得快

我要特别强调：上表的时间常数只是「概念上的量级」，不是给你直接套用的数字。 每个人、甚至同一个人在不同训练阶段，这些参数都不一样。这正是后面要谈的「模型失准」的第一个伏笔。

1.4 五十年的演进：一张时间轴看懂建模史

很多人以为运动建模是最近才有的东西，其实这条路走了半个世纪。我帮学员画过一张简化的时间轴，让大家理解「我们现在用的App，站在谁的肩膀上」：

年代（概略）	里程碑	带来的观念转变
1970年代	Banister提出冲量—反应模型与TRIMP	第一次把「训练→表现」写成可计算的公式
1980-1990年代	模型被用于游泳、跑步、自行车的个案研究	从理论走向实际选手的追踪
2000年代	TSS、功率计普及，商用平台兴起	把学术模型包装成人人可用的仪表板
2010年代	学界系统性查看模型的统计缺陷	开始诚实面对「预测不准」这件事
2020年代至今	机器学习、多变量方法补强传统模型	从两变量走向多维度，但仍需大量干净数据

这张表想传达的重点是：每一代方法都不是推翻前一代，而是补上前一代的盲点。 Banister的公式到今天仍活在你手表的每一次计算里，只是外面多包了好几层。理解这个脉络，你就不会盲目崇拜「最新的AI预测」，也不会轻视「老掉牙的TRIMP」——它们是同一条河的上下游。

---

二、实务方法：模型在真实训练里怎么用

数学归数学，我们是要拿来练的。以下是我实际带学员时，怎么把这套框架落地。

2.1 三个你天天在用、却不一定叫得出名字的指针

现代训练App（TrainingPeaks的PMC图、intervals.icu、Garmin的Training Status）几乎都是Banister模型的直系后代，只是换了包装。它们通常给你三条线：

指针（常见英文缩写）	对应Banister概念	白话解读	实务用途
CTL（慢性训练负荷，长期平均）	体能 Fitness	你过去约6周累积的实力底	看长期进步趋势
ATL（急性训练负荷，短期平均）	疲劳 Fatigue	你最近约1周累积的疲劳	看是不是练过头
TSB＝CTL−ATL（训练压力平衡）	表现 Performance	你今天「浮出水面」多少	抓比赛状态高点

阿哲当初的错，就是他只盯着TSB（也就是那条绿线），看到它转正就以为状态到顶，直接排了硬测验。但TSB是个「平均」的间接推估，它不知道你昨晚只睡5小时、公司赶项目压力爆表、外食吃太咸水肿、又刚好遇到台北一波湿热的梅雨。模型看得到你的训练，看不到你的人生。

2.2 一份实际可操作的「减量周」课表范例

减量（taper）是Banister模型最经典、也最被实证支持的应用——通过减少负荷让疲劳退掉、体能浮出，在比赛日达到TSB高点。以下是我给阿哲设计、赛前两周的减量框架（以全马为例，强度区间用主观感受RPE 1-10搭配心率描述，避免假精确）：

赛前周次	周跑量相对平时	关键课表	目的（用模型语言说）
赛前第3周（最后一个大周）	100%	一次长距离、一次节奏跑	最后一次垫高体能存款
赛前第2周	约70-80%	保留强度、砍掉量	开始让疲劳（ATL）下降
赛前第1周	约50-60%	短间歇维持神经肌肉锐利度	ATL大幅退、CTL几乎不掉
赛前2-3天	约30-40%	几组短加速、大量休息	TSB冲到高点，状态浮出

这里有个常被误解的关键：减量不是完全停练。 完全休息会让「锐利度」流失（神经肌肉的协调、乳酸耐受的手感）。正确的减量是「砍量、保强度」——大幅减少总跑量，但保留一点点高强度刺激，让体能的降幅远小于疲劳的降幅。这正是模型告诉我们的：疲劳退得快、体能退得慢，所以短时间的减量能让TSB净值上升。

2.3 台湾情境的校正：模型没告诉你的变量

在台湾训练，有几个本土变量会严重干扰模型的预测，我一定会提醒学员：

• 湿热：台湾夏天动辄32度、湿度80%以上。同样的配速，在湿热环境下心率会拉高10-15 bpm甚至更多。这意味着你的TRIMP会被高估——模型以为你练得很重（心率高），但其实你只是在跟环境搏斗、真正的训练刺激没那么大。夏天的CTL数字要打点折扣看。
• 外食与水分：台湾外食普遍偏咸，钠摄取偏高，赛前容易水肿、体重虚胖，影响体感与配速。减量周我会请学员稍微注意饮食清淡、留意水分，但这是一般性建议，不是精算的钠剂量。
• 场地：河滨车道、操场PU跑道、学校田径场是多数台湾跑者的主场。河滨平坦好抓配速但夏天晒、冬天东北季风逆风；操场单调但强度课好运行。这些都会影响同一份课表的实际生理负荷，而模型只看到心率与时间。

2.4 自行车的特例：功率让建模更准，但也更容易自欺

这篇分类在「单车科学」，我得特别谈谈自行车。相较于跑步只能靠心率估负荷，自行车有一个跑者羡慕的工具：功率计（power meter）。功率是「你实际输出到踏板上的瓦数」，是外部负荷的直接测量，不像心率会被温度、咖啡因、脱水、睡眠严重干扰。

这让自行车的建模先天就比较准。用功率算出的TSS，比用心率算的TRIMP更稳定、更可重复。我有一位参加过武岭挑战的学员，就是靠功率数据把训练负荷管理得很细。

但功率也带来一个新的自欺陷阱：因为功率很客观，很多车友会过度信任它，忽略「同样的瓦数，在不同状态下对身体的内部代价完全不同」。 让我用一张表说明同样250瓦，在不同情境下的真实负担：

情境	输出功率	心率反应	主观感受	真实内部负荷
凉爽清晨、睡饱	250 瓦	中等	轻松撑得住	中等
台湾夏日午后湿热	250 瓦	明显偏高	很吃力	偏高
睡眠负债、感冒初期	250 瓦	异常偏高	非常痛苦	过高、危险

同样的功率数字，TSS算出来一模一样，但你身体付出的代价天差地远。这正是为什么我永远要求车友：功率记录的旁边，一定要并排看心率与主观感受。 当你发现「同样的瓦数，今天心率高很多、感觉累很多」，那是身体在对你喊话——别管模型怎么说，那天该收手。功率让外部负荷变准，但内部负荷永远得靠你自己的身体与纪录去补。

---

三、预测的极限：为什么阿哲跑爆了

这是全文最重要的一段。如果你只想记一件事，记这段。

3.1 模型的统计硬伤：参数根本抓不准

近年的运动科学研究对传统fitness-fatigue模型提出了相当严厉的批评。研究者指出，这个模型在统计上是「病态的（ill-conditioned）」——白话说，就是体能与疲劳这两组参数的「可辨识性（identifiability）」很差：同一份训练与表现数据，可以用很多组差异很大的参数组合去拟合，都得到差不多的结果。

这是什么意思？意思是当你的App告诉你「你的疲劳时间常数是X天」时，那个数字的可信度其实不高——换一段数据、换一个拟合方法，可能就跑出完全不同的值。模型「事后解释」你过去的表现通常拟合得不错，但要「事前预测」未来的表现，准度和可靠度都受到质疑。

3.2 生理被过度简化

第二个硬伤是：真实的生理适应远比「两条指数曲线相减」复杂。 研究指出，模型的主要问题来自对运动生理过程的过度简化，以及把「影响表现的因素」当成单一变量来处理。

实际上，影响你今天能不能跑好的因素至少包括：肌肉肝糖存量、睡眠品质、心理压力、荷尔蒙状态、免疫状态、水分电解质、环境温湿度、甚至肠胃状况。Banister模型把这一整片森林，压缩成「体能」和「疲劳」两棵树。压缩当然方便，但压缩就是失真。

阿哲跑爆的那天，模型的绿线确实在高点——因为就「训练负荷」这个单一维度而言，他确实减量得宜。但他那周熬夜赶项目、睡眠负债、又遇到梅雨湿热，这些模型「看不见的维度」全部同时变差。模型没有错，模型只是瞎——它只看得到它被喂进去的那几个数字。

3.3 个体差异：没有一体适用的参数

第三，研究一再强调：最佳的指针选择与参数，会因人而异。 适合精英选手、单一运动、同质样本的模型，换到你身上、换个运动、换个训练型态，就不一定适用。这也是为什么很多研究的结论都是「未来需要在不同运动与族群上进一步验证」。

3.4 机器学习是解方吗？是，但别神化

那么，用机器学习（machine learning）取代老公式，是不是就无敌了？

研究的态度其实很务实，也是我认同的：机器学习不是要「取代」fitness-fatigue模型，而是可能「补强」它的弱点。 通过把生理知识嵌入非线性、多变量的学习算法，机器学习有机会处理传统模型处理不了的复杂交互（例如把睡眠、环境、主观感受一起喂进去），甚至用集成学习（ensemble）结合多个个体化的反应模型。

但我要对所有喜欢数字的阿哲们泼一盆务实的冷水：机器学习吃数据。 它需要你长期、干净、多维度的纪录才学得好；而个人运动数据往往少、杂、又不连续。丢一堆脏数据进去，你得到的不是预言，是被包装得很漂亮的杂讯。garbage in, garbage out这句话，在运动建模上尤其血淋淋。

3.5 三代方法的诚实比较

为了让你对「该信任建模到什么程度」有个务实的座标，我把三代方法摊开来比：

方法	需要的数据	优点	主要限制	适合谁
纯主观感受（RPE、体感）	几乎不用工具	最贴近真实、零成本、永远可用	主观、难以长期客观比较	所有人，尤其新手
传统Banister/TSS模型	心率或功率＋时间	能量化趋势、看长期进步	参数不稳、过度简化、预测不可靠	有目标的中阶者、教练
机器学习/多变量模型	大量、干净、多维度数据	能纳入睡眠环境等更多因素	极吃数据品质、易被神化	有丰富数据的高端者、研究团队

看完这张表，你应该会发现一件事：没有一种方法是「最好」的，只有「最适合你现阶段」的。 而且无论哪一代，主观感受这一栏从头到尾都在——它是所有方法的地基，不是被淘汰的原始工具。 我带过的最厉害的选手，往往是那些既看得懂数据、又从没放掉身体感觉的人。技术越先进，越要记得回到最原始的那个问题：「今天，我的身体感觉怎么样？」

---

四、常见错误与修正

带学员这么多年，我看过各式各样被数字带偏的状况。整理成一张表，对号入座：

常见错误	背后的误解	我的修正建议
只看TSB转正就排硬课表/测验	以为模型的「表现高点」等于「身体真的准备好」	TSB当参考，但一定要叠上睡眠、心情、环境、晨间心率再决定
追求CTL数字一路往上冲	把「体能分数」当成目标本身	CTL是结果不是目标；冲太快只是把疲劳堆高，受伤风险上升
夏天看到CTL没掉就安心	忽略湿热让心率虚高、TRIMP被高估	夏季数据打折看，多用配速/功率而非只看心率
数据一天没记就焦虑	把工具当主人	模型是趋势工具，缺几笔不影响大局，别本末倒置
拿别人的参数/课表直接套	忽略个体差异	参数要用自己的数据校正，课表要照自己的生活与体感调

一个真实的修正：阿哲的第二次减量

跑爆那次之后，我请阿哲做一件很不「工程师」的事：每天早上量安静心率、记一个1-10的主观状态分数、写一句话今天睡得如何。 这三个超低科技的数据，加上他原本的模型曲线一起看。

三个月后的下一场全马减量，模型绿线同样在高点，但这次他的晨间心率比平常高了6 bpm、主观分数只有5、前两晚都没睡好。我们一起决定：把预定的赛前测验砍掉，改成轻松的活动日。 结果比赛当天，他跑出2小时58分，破三达标。

模型那次还是「对」的——状态高点的方向没错。但真正救了他的，是他学会把模型当其中一位顾问，而不是唯一的老板。

---

五、给不同程度读者的行动建议

如果你是刚开始运动的新手

• 先别碰任何模型。 CTL、TSB这些数字对你现阶段是干扰，不是帮助。你现在最该累积的是「规律运动的习惯」和「基本的身体感觉」。
• 练习用最原始的工具：主观感受（RPE 1-10）。今天这趟轻松（3分）、中等（5-6分）、还是很累（8分以上）？把这个练熟，比任何App都值钱。
• 一周给自己至少一天完全休息。你的疲劳需要退，这是身体的物理定律，不是懒惰。

如果你是有数据、想进步的中阶者（像阿哲）

• 可以开始看CTL/ATL/TSB的趋势，但永远当「参考」而非「指令」。
• 创建你自己的多维度日志：晨间安静心率、睡眠时数、主观状态分数。这三个加起来成本几乎为零，却能补上模型最大的盲点。
• 减量时记住口诀：砍量、保强度。 别完全停练。
• 夏天的数据学会打折看，多信配速与功率，少全信心率。

如果你是高端或带队的教练

• 把模型当成沟通工具与趋势仪表板，用来跟选手讨论「这一个月的方向对不对」，而不是拿来预测某一天的精确表现。
• 如果你想玩机器学习，先确保数据品质：长期、连续、多维度。数据的质，决定模型的天花板。
• 永远保留「教练的眼睛」。选手脸色、步态、讲话的精神，这些模型永远学不会，而它们往往比任何数字更早告诉你「这个人快出事了」。
• 帮选手创建「数据与体感冲突时的处理原则」。我的缺省是：当模型说可以练、但选手晨脉明显偏高又主观很累时，一律先降阶。放过一次高强度课的损失很小，硬上导致的过度训练或受伤，代价是几周甚至几个月。这个保守的偏误，长期而言几乎总是划算的。
• 别让数据取代对话。我每次课前后都会花一两分钟单纯问选手「今天感觉怎么样」，那段对话里透露的消息，常常比整个仪表板还多。模型能量化的东西有限，人与人之间的观察永远有它不可取代的价值。

---

六、学员最常问我的六个问题（FAQ）

这些年来，关于运动建模，学员问我的问题高度重复。整理成一份FAQ，说不定正好是你心里的疑惑。

Q1：我到底要不要买一支能算CTL/TSB的手表或订阅平台？

看你的阶段。如果你是新手，把钱省下来，先练好规律与体感。如果你是已经有明确赛事目标、每周稳定训练的中阶者，这类工具能帮你看清长期趋势、避免无意识地练过头，投资是值得的。但请记住：工具是拿来辅助决策，不是拿来制造焦虑。

Q2：App说我今天「恢复良好、可以高强度」，但我觉得很累，该听谁的？

听你的身体。这几乎是铁律。App的建议是根据它有限的输入算出来的几率性判断，它不知道你昨晚失眠、工作压力爆表。当数字和身体信号冲突时，身体信号的优先级永远比较高。长期硬要跟身体对着干，代价是过度训练或受伤。

Q3：为什么我很认真练，CTL却卡住不动？

CTL卡住不一定是坏事。它可能代表你进入了一个「维持期」，身体正在巩固既有适应。一味追求CTL往上冲，往往换来的是疲劳堆积与受伤。进步从来不是一条直线，是阶梯状的——平台期是为了下一次跃升在充电。

Q4：模型能不能预测我全马会跑几分几秒？

可以给你一个「参考范围」，但别当成保证。前面谈过，这类预测的可靠度受到学界质疑，而且比赛当天的天气、补给、心理、配速策略，任何一个出错都会让精算的秒数失准。把它当成「大概落在哪个区间」的参考，而不是刻在石头上的目标。

Q5：我该多久回头校正一次我的模型参数？

对一般运动者，我建议至少每一个训练周期（大约8-12周）结束后，回头看一次趋势，而不是天天盯着日线波动焦虑。日线的杂讯很大，周线与月线的趋势才有意义。

Q6：AI/机器学习的训练App，是不是就能解决所有问题？

不是。它能处理更多维度的数据，但它的天花板是你喂给它的数据品质。数据少、杂、不连续，再厉害的算法也学不出可靠的东西。而且再先进的模型，都无法取代教练的眼睛与你自己的身体感觉。把AI当成一个很会算的助手，不是无所不知的神。

---

七、一个健康与安全的提醒

数学模型有一个危险的副作用：它会让人过度相信自己撑得住。当绿线很漂亮时，有些人会忽略身体真实的警讯硬上。

请务必记得，模型不会侦测疾病。如果你在训练中或训练后出现这些状况，不要拿「我TSB还很好啊」来自我安慰，请停下来、必要时就医：

• 运动中或运动后出现胸闷、胸痛、异常喘不过气、头晕、晕厥
• 静止心率长期异常升高、心律不整感、心悸
• 不成比例的极度疲劳、持续数周的表现不明原因下滑

台湾的就医其实很方便，健保下心脏科、运动医学门诊的门槛并不高。有心血管疾病、糖尿病、高血压等慢性病史，或有家族心脏病史的人，在开始或大幅提升训练强度前，强烈建议先咨询医师做个别化评估——这些状况都需要专业判断与个别化处理，任何模型或文章都不能代替。用语我保守一点：这里不下任何诊断、也不给处方，只是提醒你把专业的事交给专业的人。

结语：把公式当眼镜，别当水晶球

从1975年Banister的一条「体能减疲劳」，到今天嵌入生理知识的机器学习，运动表现的数学建模走了五十年。这段旅程教我最深的一课是：模型的价值，不在于它能不能精准预言明天，而在于它能不能帮你把训练这件混沌的事，看得清楚一点点。

阿哲后来跟我说了一句话，我很喜欢：「教练，我以前以为模型会告诉我答案，现在我知道，它只是帮我问对问题。」

这正是我想留给你的。戴上这副数学眼镜，你会看得更清楚——但走路的还是你自己，感受身体的还是你自己，最后为每一步负责的，也还是你自己。数字是仆人，身体才是主人。无论你手上的工具是五十年前的一条老公式，还是最新的AI算法，真正决定你能走多远的，从来不是模型多聪明，而是你有没有学会一边善用它、一边诚实地倾听自己的身体。愿你练得聪明，也练得健康，在每一次上路时都离伤害远一点、离热爱久一点。

---

本文为教育性内容，不能取代医师、物理治疗师或营养师的个别诊断与治疗建议。

参考数据

• Fitness-Fatigue Model 应用与冲量—反应模型概念：https://pmc.ncbi.nlm.nih.gov/articles/PMC8949585/
• 传统fitness-fatigue模型的统计缺陷（参数可辨识性差、预测可靠度受质疑）：https://www.nature.com/articles/s41598-025-88153-7
• Fitness-Fatigue模型的概念问题与机器学习的贡献：https://pmc.ncbi.nlm.nih.gov/articles/PMC8894528/
• 大众运动中基于Fitness-Fatigue模型的训练成效预测研究：https://journals.plos.org/plosone/article?id=10.1371%2Fjournal.pone.0337824

相关主题阅读

• Banister 模型：训练负荷的数学量化
• 超补偿与训练适应理论：课表背后的生理逻辑
• 运动测试的科学：如何评估体能，选对场地测试与追踪方法
• 读懂自己的训练数据：从垃圾里挖出黄金