Ultra Pace
从真实训练文件出发，把越野跑者的能力、路线与比赛策略放进同一套计算系统。
- 14
- 个测试文件
- 3
- 个纯 TS 核心包
- 3
- 类训练数据输入
- LOCAL
- 默认数据边界
为什么做
越野比赛不是把平路配速乘上一个系数，而是一场能力、坡度与补给共同作用的计算。
通用跑步应用擅长记录，却很难回答一条具体赛道该怎么分段、什么时候保守、目标是否超出当前能力。
我把 FIT、GPX 与 Apple Health 数据规范化到统一模型，再用临界功率和路线分段计算可执行的配速区间。
做出来的部分
导入真实训练
解析 FIT、GPX 和 Apple Health 导出，不要求用户重新手录已有训练历史。
建立个人能力模型
从训练记录估计临界功率等能力参数，为比赛目标提供个人化边界。
输出路线配速带
沿 GPX 路线分段计算目标区间，让策略落到可执行的路段而不是一个总完赛时间。
系统如何工作
Next.jsTypeScriptFITGPXApple HealthLocal-first
解析层
独立 parsers 包统一外部训练文件，隔离格式差异与脏数据。
计算层
纯 TypeScript core 包承载能力估计、路线分析和配速求解，便于单测与复用。
本地存储层
训练与健康数据默认留在本地浏览器环境，减少不必要的隐私交换。
已有的结果
Ultra Pace 已完成本地优先的 Phase 1 MVP，覆盖数据导入、能力建模与路线配速的核心链路。
- Phase 1 已有可运行的静态构建产物。
- 核心、解析和存储边界由 14 个测试文件覆盖。
- 代码结构已经把领域计算与界面解耦。
当前边界
- 模型尚未经过足量真实比赛与不同水平跑者校准。
- Strava 接入、马拉松模式与赛后校准仍属于后续阶段。
- 当前没有公开部署与面向陌生用户的样例数据。
下一步
- 加入无需上传个人数据的示例比赛与演示模式。
- 用真实越野比赛做模型回测和分段误差分析。
- 完成公开部署，再决定 Strava 等账号体系是否必要。