第一个问题,我们的配速数据怎么来的
虽然大家都知道,速度=距离/时间
我们的的配速计算通常来源于GPS的运动手表,通过GPS手表记录的坐标打点,来计算运动轨迹、运动距离、平均、最大配速、实时配速
由于GPS本身存在一定误差,当你实际跑一条直线的时候,GPS打出的轨迹往往是一条折线,多数情况下这个影响并不大,但总是有一些例外。
比如近距离存在高大的树木(尤其是夏天长满叶子),很近距离有高大建筑、立交桥。就很容易造成GPS轨迹与实际有一定出入。即使是做地图的GPS采集车,在一些立交桥下的打点数据也需要进行人工修复。
其次就是速度越慢,GPS相对误差越大,举个极端例子,当你静止不动的时候,你会发现一段时间内GPS坐标是落在一个范围内的,这个范围可能有几米或者十几米。之后我们看到车导似乎不存在这种明显的GPS轨迹与速度计算问题,因为用算法过滤掉静止情况后,车速足够快,因此计算相对误差也会更小,可以忽略不计。同理,自行车运动中的轨迹记录也不会有跑步这么大的问题。
似乎在开阔地带跑步会更容易提升记录数据的精度。剩下的问题,就看谁家的算法更强了,Garmin的数据计算结果与Strava大致相同,然而数据导入专业训练分析软件WKO中,距离和海拔则会相差较多,从数据来看可能Garmin的更贴近实际情况。或许各家GPS手表、码表模块性能会有差距,实际更大的差别在于轨迹的纠正上。
过去一周的三次跑步来看,每次经过小区东侧那些可爱的行道树,配速记录数据都变得非常诡异。遇到这种情况不要着急调节配速,稳定配速,直到离开这类区域。看起来我应该找一个隔壁小区绕圈跑。
第一个问题主要就是这些,因为这不是本次要说的重点,重点在于如何分析配速
虽然大家都知道,速度=距离/时间
我们的的配速计算通常来源于GPS的运动手表,通过GPS手表记录的坐标打点,来计算运动轨迹、运动距离、平均、最大配速、实时配速
由于GPS本身存在一定误差,当你实际跑一条直线的时候,GPS打出的轨迹往往是一条折线,多数情况下这个影响并不大,但总是有一些例外。
比如近距离存在高大的树木(尤其是夏天长满叶子),很近距离有高大建筑、立交桥。就很容易造成GPS轨迹与实际有一定出入。即使是做地图的GPS采集车,在一些立交桥下的打点数据也需要进行人工修复。
其次就是速度越慢,GPS相对误差越大,举个极端例子,当你静止不动的时候,你会发现一段时间内GPS坐标是落在一个范围内的,这个范围可能有几米或者十几米。之后我们看到车导似乎不存在这种明显的GPS轨迹与速度计算问题,因为用算法过滤掉静止情况后,车速足够快,因此计算相对误差也会更小,可以忽略不计。同理,自行车运动中的轨迹记录也不会有跑步这么大的问题。
似乎在开阔地带跑步会更容易提升记录数据的精度。剩下的问题,就看谁家的算法更强了,Garmin的数据计算结果与Strava大致相同,然而数据导入专业训练分析软件WKO中,距离和海拔则会相差较多,从数据来看可能Garmin的更贴近实际情况。或许各家GPS手表、码表模块性能会有差距,实际更大的差别在于轨迹的纠正上。
过去一周的三次跑步来看,每次经过小区东侧那些可爱的行道树,配速记录数据都变得非常诡异。遇到这种情况不要着急调节配速,稳定配速,直到离开这类区域。看起来我应该找一个隔壁小区绕圈跑。
第一个问题主要就是这些,因为这不是本次要说的重点,重点在于如何分析配速