論文の概要: Cycling Race Time Prediction: A Personalized Machine Learning Approach Using Route Topology and Training Load

• arxiv url: http://arxiv.org/abs/2601.00604v1
• Date: Fri, 02 Jan 2026 08:19:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.540509
• Title: Cycling Race Time Prediction: A Personalized Machine Learning Approach Using Route Topology and Training Load
• Title（参考訳）: Cycling Race Time Prediction: ルートトポロジとトレーニング負荷を用いたパーソナライズされた機械学習アプローチ
• Authors: Francisco Aguilera Moreno,
• Abstract要約: 本研究は,選手の現在のフィットネス状態と合わせて,経路トポロジ特徴を用いた乗車時間の予測を行う機械学習手法を提案する。 我々は,N-of-1研究設計において,シングルスリーブデータセット(N=96ライド)を用いてアプローチを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting cycling duration for a given route is essential for training planning and event preparation. Existing solutions rely on physics-based models that require extensive parameterization, including aerodynamic drag coefficients and real-time wind forecasts, parameters impractical for most amateur cyclists. This work presents a machine learning approach that predicts ride duration using route topology features combined with the athlete's current fitness state derived from training load metrics. The model learns athlete-specific performance patterns from historical data, substituting complex physical measurements with historical performance proxies. We evaluate the approach using a single-athlete dataset (N=96 rides) in an N-of-1 study design. After rigorous feature engineering to eliminate data leakage, we find that Lasso regression with Topology + Fitness features achieves MAE=6.60 minutes and R2=0.922. Notably, integrating fitness metrics (CTL, ATL) reduces error by 14% compared to topology alone (MAE=7.66 min), demonstrating that physiological state meaningfully constrains performance even in self-paced efforts. Progressive checkpoint predictions enable dynamic race planning as route difficulty becomes apparent.
• Abstract（参考訳）: 特定のルートのサイクル期間を予測することは、計画とイベントの準備の訓練に不可欠である。 既存のソリューションは、空気力学的なドラッグ係数やリアルタイムの風速予測など、多くのアマチュアサイクリストにとって現実的でないパラメータを含む、広範なパラメータ化を必要とする物理学に基づくモデルに依存している。 本研究は,トレーニング負荷指標から得られた選手の現在のフィットネス状態と合わせて,経路トポロジ特徴を用いた乗車時間の予測を行う機械学習手法を提案する。 このモデルは、過去のデータからアスリート固有のパフォーマンスパターンを学習し、複雑な物理測定を過去のパフォーマンスプロキシに置き換える。 我々は,N-of-1研究設計において,シングルスリーブデータセット(N=96ライド)を用いてアプローチを評価する。 データ漏洩をなくすための厳密な機能エンジニアリングの後、Topology + Fitness機能によるLasso回帰はMAE=6.60分、R2=0.922に達する。 特に、フィットネス指標(CTL, ATL)の統合は、トポロジ単独(MAE=7.66分)と比較して誤差を14%削減し、生理状態がセルフペースであってもパフォーマンスを有意に抑制することを示した。 進行性チェックポイント予測は、ルートの難易度が明らかになるにつれて、動的なレース計画を可能にする。

関連論文リスト

• Amortized Inference for Model Rocket Aerodynamics: Learning to Estimate Physical Parameters from Simulation [3.6083839071040646]
  モデルロケットの飛行性能の正確な予測には、直接測定が難しい空力パラメータを推定する必要がある。 従来のアプローチでは計算流体力学や経験的相関に頼っていたが、データ駆動方式では膨大な実際の飛行データが必要であり、収集には高価で時間がかかる。 本稿では,物理シミュレータから生成された合成飛行データに基づいてニューラルネットワークをトレーニングし,学習したモデルを微調整なしで実飛行に適用するシミュレーションベースアモータイズ推論手法を提案する。
  論文  参考訳（メタデータ） (2025-12-24T01:32:04Z)
• Computational Fluid Dynamics Optimization of F1 Front Wing using Physics Informed Neural Networks [0.0]
  本稿では,F1前翼空力係数の高速予測のための物理情報ニューラルネットワーク(PINN)を提案する。 PINNモデルは、ドラッグ係数0.968とリフト係数予測0.981の判定係数(R-2乗)を計算時間を低下させながら記録する。
  論文  参考訳（メタデータ） (2025-09-02T05:12:23Z)
• Scaling Laws and Compute-Optimal Training Beyond Fixed Training Durations [62.132347451049455]
  スケールは強力な機械学習モデルを得る上で重要な要素となっている。 本研究では,コサインのスケジュールに依存するため,スケールとトレーニングの研究は必然的に複雑である,と論じる。 その結果,重量平均化はトレーニングの軌道に沿って,異なるスケールでのトレーニングコストを伴わずに向上することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T17:33:54Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Application of Long-Short Term Memory and Convolutional Neural Networks for Real-Time Bridge Scour Prediction [0.0]
  我々は,過去のセンサモニタリングデータに基づいて,橋脚周辺の深度変化を予測するために,ディープラーニングアルゴリズムの力を利用する。 本研究では,Long Short-Term Memory (LSTM) モデルとConvolutional Neural Network (CNN) モデルの性能について検討した。
  論文  参考訳（メタデータ） (2024-04-25T12:04:36Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• IMU Based Deep Stride Length Estimation With Self-Supervised Learning [0.1246030133914898]
  本稿では,1ストライドあたりのランニングおよびウォーキングのストライド長を予測し,ランニングタイプやウォーキングタイプを分類するために,単一畳み込みニューラルネットワーク(CNN)モデルを提案する。 提案モデルでは,従来の手法と比較して平均誤差が4.78%,ランニング・ストライド長の回帰が99.83%,ランニング・アンド・ウォーキングの精度が99.83%向上した。
  論文  参考訳（メタデータ） (2022-05-06T01:48:39Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。